From 468ade1261f8353120f2f3455b582696d7cfec1b Mon Sep 17 00:00:00 2001 From: "localizeflow[bot]" Date: Mon, 20 Apr 2026 17:35:40 +0000 Subject: [PATCH] chore(i18n): sync translations with latest source changes (chunk 1/1, 12 changes) --- translations/it/.co-op-translator.json | 12 +- .../it/2-Regression/3-Linear/README.md | 272 ++++++++--------- .../2-Classifiers-1/README.md | 121 ++++---- translations/it/README.md | 204 +++++++------ translations/pl/.co-op-translator.json | 12 +- .../pl/2-Regression/3-Linear/README.md | 269 ++++++++-------- .../2-Classifiers-1/README.md | 141 ++++----- translations/pl/README.md | 224 +++++++------- translations/tr/.co-op-translator.json | 12 +- .../tr/2-Regression/3-Linear/README.md | 288 +++++++++--------- .../2-Classifiers-1/README.md | 136 +++++---- translations/tr/README.md | 220 ++++++------- 12 files changed, 979 insertions(+), 932 deletions(-) diff --git a/translations/it/.co-op-translator.json b/translations/it/.co-op-translator.json index e92886dc2..d04519da1 100644 --- a/translations/it/.co-op-translator.json +++ b/translations/it/.co-op-translator.json @@ -90,8 +90,8 @@ "language_code": "it" }, "2-Regression/3-Linear/README.md": { - "original_hash": "9a8359f1945bd3beccccb2b46592580e", - "translation_date": "2026-02-28T08:49:16+00:00", + "original_hash": "26c53a922f1f1e8542b0ea41ff52221a", + "translation_date": "2026-04-20T17:25:10+00:00", "source_file": "2-Regression/3-Linear/README.md", "language_code": "it" }, @@ -168,8 +168,8 @@ "language_code": "it" }, "4-Classification/2-Classifiers-1/README.md": { - "original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b", - "translation_date": "2025-09-06T07:35:27+00:00", + "original_hash": "cb761595e5b6c42b99bb81bd13683311", + "translation_date": "2026-04-20T17:26:14+00:00", "source_file": "4-Classification/2-Classifiers-1/README.md", "language_code": "it" }, @@ -552,8 +552,8 @@ "language_code": "it" }, "README.md": { - "original_hash": "7fb48097f57e680b380cd9aae988d317", - "translation_date": "2026-04-06T16:41:46+00:00", + "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", + "translation_date": "2026-04-20T17:23:36+00:00", "source_file": "README.md", "language_code": "it" }, diff --git a/translations/it/2-Regression/3-Linear/README.md b/translations/it/2-Regression/3-Linear/README.md index a47c743e2..1762af575 100644 --- a/translations/it/2-Regression/3-Linear/README.md +++ b/translations/it/2-Regression/3-Linear/README.md @@ -1,136 +1,136 @@ -# Costruire un modello di regressione usando Scikit-learn: regressione in quattro modi +# Costruire un modello di regressione usando Scikit-learn: quattro tipi di regressione ## Nota per principianti -La regressione lineare è utilizzata quando vogliamo prevedere un **valore numerico** (per esempio, prezzo della casa, temperatura o vendite). -Funziona trovando una linea retta che rappresenta al meglio la relazione tra le caratteristiche di input e l'output. +La regressione lineare viene usata quando vogliamo prevedere un **valore numerico** (per esempio, prezzo di una casa, temperatura, o vendite). +Funziona trovando una linea retta che rappresenta nel miglior modo possibile la relazione tra le caratteristiche in input e l'output. -In questa lezione ci concentriamo sulla comprensione del concetto prima di esplorare tecniche di regressione più avanzate. -![Linear vs polynomial regression infographic](../../../../translated_images/it/linear-polynomial.5523c7cb6576ccab.webp) -> Infografica di [Dasani Madipalli](https://twitter.com/dasani_decoded) +In questa lezione, ci concentriamo sulla comprensione del concetto prima di esplorare tecniche di regressione più avanzate. +![Infografica su regressione lineare vs polinomiale](../../../../translated_images/it/linear-polynomial.5523c7cb6576ccab.webp) +> Infografica di [Dasani Madipalli](https://twitter.com/dasani_decoded) ## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ml/) -> ### [Questa lezione è disponibile in R!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) -### Introduzione +> ### [Questa lezione è disponibile in R!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) +### Introduzione -Finora hai esplorato cos'è la regressione con dati di esempio raccolti dal dataset del prezzo della zucca che useremo per tutta la lezione. Hai anche visualizzato i dati usando Matplotlib. +Finora hai esplorato cosa sia la regressione con dati di esempio raccolti dal dataset dei prezzi delle zucche che useremo per tutta questa lezione. Hai anche visualizzato i dati usando Matplotlib. -Ora sei pronto a immergerti più a fondo nella regressione per ML. Mentre la visualizzazione permette di dare un senso ai dati, la vera potenza del Machine Learning deriva dall’_addestramento di modelli_. I modelli sono addestrati su dati storici per catturare automaticamente le dipendenze nei dati e consentono di prevedere risultati per nuovi dati che il modello non ha ancora visto. +Ora sei pronto per approfondire la regressione per l’apprendimento automatico. Mentre la visualizzazione ti permette di dare un senso ai dati, la vera potenza del Machine Learning deriva dall’_addestramento dei modelli_. I modelli vengono addestrati su dati storici per catturare automaticamente le dipendenze nei dati, e ti permettono di prevedere risultati per dati nuovi, che il modello non ha mai visto prima. -In questa lezione, imparerai di più su due tipi di regressione: _regressione lineare base_ e _regressione polinomiale_, insieme ad alcune delle basi matematiche di queste tecniche. Questi modelli ci permetteranno di prevedere i prezzi delle zucche in base ai diversi dati di input. +In questa lezione, imparerai di più su due tipi di regressione: _regressione lineare base_ e _regressione polinomiale_, insieme ad alcune delle matematiche sottostanti a queste tecniche. Questi modelli ci permetteranno di predire il prezzo delle zucche in base a diversi dati in input. -[![ML for beginners - Understanding Linear Regression](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "ML for beginners - Understanding Linear Regression") +[![ML per principianti - Comprendere la regressione lineare](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "ML per principianti - Comprendere la regressione lineare") -> 🎥 Clicca sull’immagine sopra per una breve panoramica video della regressione lineare. +> 🎥 Clicca sull'immagine sopra per una breve panoramica video sulla regressione lineare. -> In tutto questo programma, assumiamo conoscenze matematiche minime, e cerchiamo di renderle accessibili agli studenti provenienti da altri campi, quindi fai attenzione a note, 🧮 annotazioni, diagrammi e altri strumenti di apprendimento per facilitare la comprensione. +> In tutto questo curriculum, presumiamo una conoscenza minima di matematica, e cerchiamo di renderlo accessibile a studenti provenienti da altri campi, quindi fai attenzione a note, 🧮 richiamo di concetti, diagrammi e altri strumenti didattici per aiutare nella comprensione. ### Prerequisiti -A questo punto dovresti conoscere la struttura dei dati sulle zucche che stiamo esaminando. Puoi trovarli precaricati e puliti nel file _notebook.ipynb_ di questa lezione. Nel file, il prezzo della zucca è mostrato per bushel in un nuovo data frame. Assicurati di poter eseguire questi notebook in kernel su Visual Studio Code. +Dovresti ora essere familiare con la struttura dei dati delle zucche che stiamo esaminando. Puoi trovarli precaricati e già puliti nel file _notebook.ipynb_ di questa lezione. Nel file, il prezzo delle zucche è mostrato per bushel in un nuovo dataframe. Assicurati di poter eseguire questi notebook nei kernel in Visual Studio Code. ### Preparazione -Come promemoria, stai caricando questi dati per porre domande su di essi. +Come promemoria, stai caricando questi dati per poter porre domande su di essi. -- Qual è il momento migliore per comprare zucche? -- Che prezzo posso aspettarmi per una cassa di zucche in miniatura? -- Conviene acquistarle in cestini da mezzo bushel o in scatole da 1 1/9 bushel? -Continuiamo ad esplorare questi dati. +- Qual è il momento migliore per acquistare zucche? +- Quale prezzo posso aspettarmi per una cassa di zucche miniatura? +- Conviene acquistarle in cestini da mezzo bushel o nella scatola da 1 1/9 bushel? +Continuiamo a scavare in questi dati. -Nella lezione precedente, hai creato un data frame Pandas e lo hai popolato con parte del dataset originale, standardizzando i prezzi per bushel. Facendo ciò, però, sei riuscito a raccogliere solo circa 400 punti dati e soltanto per i mesi autunnali. +Nella lezione precedente, hai creato un dataframe Pandas e l'hai popolato con parte del dataset originale, standardizzando i prezzi per bushel. Facendo così, però, hai potuto raccogliere solo circa 400 punti dati e solo per i mesi autunnali. -Dai un’occhiata ai dati precaricati nel notebook allegato a questa lezione. I dati sono caricati e viene tracciato un grafico a dispersione iniziale per mostrare i dati mensili. Forse possiamo ottenere qualche dettaglio in più sulla natura dei dati pulendoli meglio. +Dai un’occhiata ai dati precaricati nel notebook allegato a questa lezione. I dati sono già caricati e viene mostrato un primo scatterplot per visualizzare i dati mensili. Forse possiamo ottenere qualche dettaglio in più sulla natura dei dati pulendoli ulteriormente. ## Una linea di regressione lineare -Come hai imparato nella Lezione 1, l’obiettivo di un esercizio di regressione lineare è poter tracciare una linea per: +Come hai appreso nella Lezione 1, l'obiettivo di un esercizio di regressione lineare è poter disegnare una linea per: -- **Mostrare le relazioni tra variabili**. Mostrare la relazione tra variabili. -- **Fare previsioni**. Fare previsioni accurate su dove potrebbe cadere un nuovo punto dati in relazione a quella linea. +- **Mostrare le relazioni tra variabili**. Mostrare la relazione tra le variabili +- **Fare previsioni**. Fare previsioni accurate su dove cadrebbe un nuovo punto dati in relazione a quella linea. -È tipico della **Regressione dei Minimi Quadrati** tracciare questo tipo di linea. Il termine "Minimi Quadrati" si riferisce al processo di minimizzazione dell’errore totale nel nostro modello. Per ogni punto dati, misuriamo la distanza verticale (chiamata residuo) tra il punto reale e la nostra linea di regressione. +È tipico della **regressione ai minimi quadrati** tracciare questo tipo di linea. Il termine "minimi quadrati" si riferisce al processo di minimizzazione dell'errore totale nel nostro modello. Per ogni punto dati, misuriamo la distanza verticale (chiamata residuo) tra il punto effettivo e la nostra linea di regressione. -Eleviamo al quadrato queste distanze per due ragioni principali: +Eleviamo al quadrato queste distanze per due motivi principali: -1. **Magnitudo rispetto alla direzione:** Vogliamo trattare un errore di -5 allo stesso modo di un errore di +5. Elevando al quadrato tutti i valori diventano positivi. +1. **Magnitudo oltre alla direzione:** Vogliamo trattare un errore di -5 allo stesso modo di uno di +5. Elevando al quadrato tutti i valori diventano positivi. -2. **Penalizzare gli outlier:** Il quadrato attribuisce più peso agli errori più grandi, costringendo la linea a rimanere più vicina ai punti lontani. +2. **Pena per gli outlier:** Elevando al quadrato si dà più peso agli errori più grandi, costringendo la linea a stare più vicina ai punti lontani. -Poi sommiamo tutti questi valori al quadrato. Il nostro obiettivo è trovare la linea specifica dove questa somma finale è minima (il valore più piccolo possibile)—da cui il nome "Minimi Quadrati". +Poi sommiamo tutti questi valori al quadrato. Il nostro obiettivo è trovare la specifica linea dove questa somma finale è minima (il valore più piccolo possibile)—da qui il nome "minimi quadrati". -> **🧮 Mostrami la matematica** -> -> Questa linea, chiamata _linea di miglior adattamento_, può essere espressa da [un’equazione](https://en.wikipedia.org/wiki/Simple_linear_regression): -> +> **🧮 Mostrami la matematica** +> +> Questa linea, chiamata _linea di miglior adattamento_ può essere espressa con [un'equazione](https://en.wikipedia.org/wiki/Simple_linear_regression): +> > ``` > Y = a + bX > ``` -> -> `X` è la 'variabile esplicativa'. `Y` è la 'variabile dipendente'. La pendenza della linea è `b` e `a` è l'intercetta y, che si riferisce al valore di `Y` quando `X = 0`. -> ->![calcolare la pendenza](../../../../translated_images/it/slope.f3c9d5910ddbfcf9.webp) -> -> Per prima cosa, calcola la pendenza `b`. Infografica di [Jen Looper](https://twitter.com/jenlooper) -> -> In altre parole, riferendosi alla domanda originale sui dati delle zucche: "predire il prezzo di una zucca per bushel in base al mese", `X` si riferirebbe al prezzo e `Y` al mese di vendita. -> ->![completa l'equazione](../../../../translated_images/it/calculation.a209813050a1ddb1.webp) -> -> Calcola il valore di Y. Se stai pagando circa 4$, deve essere aprile! Infografica di [Jen Looper](https://twitter.com/jenlooper) -> -> La matematica che calcola la linea deve mostrare la pendenza, che dipende anche dall’intercetta, cioè dove `Y` si trova quando `X = 0`. -> -> Puoi osservare il metodo di calcolo di questi valori sul sito [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Visita anche [questa calcolatrice per Minimi Quadrati](https://www.mathsisfun.com/data/least-squares-calculator.html) per vedere come i valori numerici influenzano la linea. +> +> `X` è la 'variabile esplicativa'. `Y` è la 'variabile dipendente'. La pendenza della linea è `b` e `a` è l'intercetta y, cioè il valore di `Y` quando `X = 0`. +> +>![calcolare la pendenza](../../../../translated_images/it/slope.f3c9d5910ddbfcf9.webp) +> +> Per prima cosa, calcola la pendenza `b`. Infografica di [Jen Looper](https://twitter.com/jenlooper) +> +> In altre parole, e riferendoci alla nostra domanda originale sui dati delle zucche: "prevedere il prezzo di una zucca per bushel in base al mese", `X` si riferirebbe al prezzo e `Y` al mese di vendita. +> +>![completa l'equazione](../../../../translated_images/it/calculation.a209813050a1ddb1.webp) +> +> Calcola il valore di Y. Se stai pagando circa 4 dollari, deve essere aprile! Infografica di [Jen Looper](https://twitter.com/jenlooper) +> +> La matematica che calcola la linea deve dimostrare la pendenza della linea, che dipende anche dall’intercetta, ovvero dove si trova `Y` quando `X = 0`. +> +> Puoi osservare il metodo di calcolo di questi valori sul sito [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Visita anche [questa calcolatrice per i minimi quadrati](https://www.mathsisfun.com/data/least-squares-calculator.html) per vedere come i valori influenzano la linea. ## Correlazione -Un altro termine da capire è il **Coefficiente di Correlazione** tra le variabili X e Y date. Usando uno scatterplot, puoi visualizzare rapidamente questo coefficiente. Un grafico con punti dati distribuiti in una linea ordinata ha alta correlazione, mentre uno con punti sparsi ovunque tra X e Y ha una bassa correlazione. +Un altro termine da comprendere è il **coefficiente di correlazione** tra le variabili X e Y date. Usando uno scatterplot, puoi visualizzare rapidamente questo coefficiente. Un grafico con punti dati disposti su una linea ordinata ha alta correlazione, mentre un grafico con punti sparsi ovunque tra X e Y ha bassa correlazione. -Un buon modello di regressione lineare sarà quello che ha un alto Coefficiente di Correlazione (più vicino a 1 che a 0) usando il metodo dei Minimi Quadrati con una linea di regressione. +Un buon modello di regressione lineare sarà quello che ha un coefficiente di correlazione alto (più vicino a 1 che a 0) usando il metodo di regressione ai minimi quadrati con una linea di regressione. -✅ Esegui il notebook allegato a questa lezione e osserva lo scatterplot di Mese vs Prezzo. I dati che associano Mese a Prezzo per le vendite di zucche sembrano avere un’alta o bassa correlazione secondo la tua interpretazione visiva dello scatterplot? Cambia se usi una misura più dettagliata invece di `Mese`, ad esempio *giorno dell’anno* (cioè il numero di giorni dall’inizio dell’anno)? +✅ Esegui il notebook allegato a questa lezione e guarda lo scatterplot da Mese a Prezzo. I dati che associano il mese al prezzo per la vendita delle zucche sembrano avere alta o bassa correlazione, secondo la tua interpretazione visiva dello scatterplot? Cambia qualcosa se usi una misura più dettagliata invece di `Month`, per esempio *giorno dell’anno* (cioè numero di giorni dall’inizio dell’anno)? -Nel codice seguente, assumeremo di aver ripulito i dati e ottenuto un data frame chiamato `new_pumpkins`, simile al seguente: +Nel codice seguente, supponiamo di aver pulito i dati, e ottenuto un dataframe chiamato `new_pumpkins`, simile al seguente: -ID | Month | DayOfYear | Variety | City | Package | Low Price | High Price | Price ----|-------|-----------|---------|------|---------|-----------|------------|------- -70 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 -71 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 -72 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 -73 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 17.0 | 17.0 | 15.454545 +ID | Month | DayOfYear | Variety | City | Package | Low Price | High Price | Price +---|-------|-----------|---------|------|---------|-----------|------------|------- +70 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 +71 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 +72 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 +73 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 17.0 | 17.0 | 15.454545 74 | 10 | 281 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 -> Il codice per pulire i dati è disponibile in [`notebook.ipynb`](notebook.ipynb). Abbiamo effettuato gli stessi passaggi di pulizia della lezione precedente e calcolato la colonna `DayOfYear` usando la seguente espressione: +> Il codice per pulire i dati è disponibile in [`notebook.ipynb`](notebook.ipynb). Abbiamo eseguito gli stessi passaggi di pulizia della lezione precedente e abbiamo calcolato la colonna `DayOfYear` con l’espressione seguente: ```python day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt.year,1,1)).days) ``` + +Ora che hai una comprensione della matematica dietro la regressione lineare, creiamo un modello di regressione per vedere se possiamo prevedere quale confezione di zucche avrà i prezzi migliori. Qualcuno che compra zucche per una festa di Halloween potrebbe voler questa informazione per ottimizzare i propri acquisti di zucche. -Ora che hai capito la matematica dietro la regressione lineare, creiamo un modello di regressione per vedere se possiamo prevedere quale confezione di zucche avrà i prezzi migliori. Qualcuno che compra zucche per un campo di zucche per una festa potrebbe volere queste informazioni per ottimizzare gli acquisti di confezioni di zucche per il campo. +## Cercare la correlazione -## Cercando la correlazione +[![ML per principianti - Cercare la correlazione: la chiave per la regressione lineare](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "ML per principianti - Cercare la correlazione: la chiave per la regressione lineare") -[![ML for beginners - Looking for Correlation: The Key to Linear Regression](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "ML for beginners - Looking for Correlation: The Key to Linear Regression") +> 🎥 Clicca sull'immagine sopra per una breve panoramica video sulla correlazione. -> 🎥 Clicca sull’immagine sopra per una breve panoramica video della correlazione. +Dalla lezione precedente probabilmente hai visto che il prezzo medio per diversi mesi si presenta così: -Dalla lezione precedente hai probabilmente visto che il prezzo medio per i diversi mesi appare così: +Prezzo medio per mese -Average price by month +Questo suggerisce che ci dovrebbe essere qualche correlazione, e possiamo provare ad addestrare un modello di regressione lineare per predire la relazione tra `Month` e `Price`, o tra `DayOfYear` e `Price`. Qui c’è lo scatter plot che mostra quest’ultima relazione: -Questo suggerisce che ci dovrebbe essere qualche correlazione, e possiamo provare ad addestrare un modello di regressione lineare per prevedere la relazione tra `Month` e `Price`, oppure tra `DayOfYear` e `Price`. Ecco lo scatter plot che mostra quest’ultima relazione: +Scatter plot di Prezzo vs. Giorno dell'anno -Scatter plot of Price vs. Day of Year - -Vediamo se c’è correlazione usando la funzione `corr`: +Vediamo se c’è una correlazione usando la funzione `corr`: ```python print(new_pumpkins['Month'].corr(new_pumpkins['Price'])) print(new_pumpkins['DayOfYear'].corr(new_pumpkins['Price'])) ``` - -Sembra che la correlazione sia piuttosto bassa, -0.15 con `Month` e -0.17 con `DayOfMonth`, ma potrebbe esserci un’altra relazione importante. Sembra che ci siano diversi cluster di prezzi corrispondenti a varietà diverse di zucche. Per confermare questa ipotesi, tracciamo ogni categoria di zucca con un colore diverso. Passando un parametro `ax` alla funzione di plotting `scatter` possiamo disegnare tutti i punti sullo stesso grafico: + +Sembra che la correlazione sia piuttosto bassa, -0.15 rispetto a `Month` e -0.17 rispetto a `DayOfMonth`, ma potrebbe esserci un’altra relazione importante. Sembra che ci siano diversi cluster di prezzi corrispondenti a diverse varietà di zucche. Per confermare questa ipotesi, tracciamo ogni categoria di zucca usando un colore diverso. Passando un parametro `ax` alla funzione di plot `scatter` possiamo disegnare tutti i punti sullo stesso grafico: ```python ax=None @@ -139,41 +139,41 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): df = new_pumpkins[new_pumpkins['Variety']==var] ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` + +Scatter plot di Prezzo vs. Giorno dell'anno -Scatter plot of Price vs. Day of Year - -La nostra indagine suggerisce che la varietà ha più effetto sul prezzo complessivo rispetto alla data di vendita effettiva. Lo possiamo vedere anche con un grafico a barre: +La nostra indagine suggerisce che la varietà ha un effetto maggiore sul prezzo complessivo rispetto alla data reale di vendita. Vediamo questo con un grafico a barre: ```python new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` + +Grafico a barre del prezzo per varietà -Bar graph of price vs variety - -Per il momento concentriamoci su una sola varietà di zucca, il 'tipo torta', e vediamo che effetto ha la data sul prezzo: +Concentriamoci per un momento solamente su una varietà di zucca, la 'pie type', e vediamo quale effetto ha la data sul prezzo: ```python pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` -Scatter plot of Price vs. Day of Year +Scatter plot di Prezzo vs. Giorno dell'anno -Se ora calcoliamo la correlazione tra `Price` e `DayOfYear` usando la funzione `corr`, otteniamo qualcosa come `-0.27` - il che significa che ha senso addestrare un modello predittivo. +Se ora calcoliamo la correlazione tra `Price` e `DayOfYear` usando la funzione `corr`, otterremo qualcosa come `-0.27` - il che significa che ha senso addestrare un modello predittivo. -> Prima di addestrare un modello di regressione lineare, è importante assicurarsi che i dati siano puliti. La regressione lineare non funziona bene con valori mancanti, quindi ha senso eliminare tutte le celle vuote: +> Prima di addestrare un modello di regressione lineare, è importante assicurarsi che i nostri dati siano puliti. La regressione lineare non funziona bene con valori mancanti, dunque ha senso eliminare tutte le celle vuote: ```python pie_pumpkins.dropna(inplace=True) pie_pumpkins.info() ``` - -Un altro approccio sarebbe riempire questi valori vuoti con la media della colonna corrispondente. + +Un altro approccio sarebbe quello di riempire quei valori mancanti con la media delle rispettive colonne. ## Regressione Lineare Semplice -[![ML for beginners - Linear and Polynomial Regression using Scikit-learn](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML for beginners - Linear and Polynomial Regression using Scikit-learn") +[![ML per principianti - Regressione Lineare e Polinomiale usando Scikit-learn](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML per principianti - Regressione Lineare e Polinomiale usando Scikit-learn") -> 🎥 Clicca sull’immagine sopra per una breve panoramica video della regressione lineare e polinomiale. +> 🎥 Clicca sull'immagine sopra per una breve panoramica video sulla regressione lineare e polinomiale. Per addestrare il nostro modello di Regressione Lineare, useremo la libreria **Scikit-learn**. @@ -182,38 +182,38 @@ from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error from sklearn.model_selection import train_test_split ``` - -Iniziamo separando i valori di input (features) e l’output atteso (label) in array numpy separati: + +Iniziamo separando i valori input (caratteristiche) e l’output atteso (etichetta) in array numpy separati: ```python X = pie_pumpkins['DayOfYear'].to_numpy().reshape(-1,1) y = pie_pumpkins['Price'] ``` + +> Nota che abbiamo dovuto eseguire il `reshape` sui dati di input affinché il pacchetto di Regressione Lineare li capisse correttamente. La Regressione Lineare si aspetta un array 2D come input, dove ogni riga dell’array corrisponde a un vettore di caratteristiche in input. Nel nostro caso, poiché abbiamo un solo input, ci serve un array di forma N×1, dove N è la dimensione del dataset. -> Nota che abbiamo dovuto eseguire un `reshape` sui dati di input affinché il pacchetto di Regressione Lineare li comprendesse correttamente. La Regressione Lineare si aspetta un array 2D come input, dove ogni riga corrisponde a un vettore di caratteristiche di input. Nel nostro caso, dato che abbiamo solo un input, ci serve un array di forma N×1, dove N è la dimensione del dataset. - -Poi, dobbiamo dividere i dati in dataset di training e di test, in modo da poter validare il modello dopo l’addestramento: +Poi, dobbiamo dividere i dati in set di addestramento e di test, così possiamo validare il modello dopo l’addestramento: ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) ``` - -Infine, l’addestramento vero e proprio del modello di Regressione Lineare richiede solo due righe di codice. Definiamo l’oggetto `LinearRegression` e lo adattiamo ai nostri dati usando il metodo `fit`: + +Infine, addestrare il modello vero e proprio di Regressione Lineare richiede solo due righe di codice. Definiamo l’oggetto `LinearRegression`, e lo adattiamo ai nostri dati usando il metodo `fit`: ```python lin_reg = LinearRegression() lin_reg.fit(X_train,y_train) ``` -L'oggetto `LinearRegression` dopo aver eseguito il `fit` contiene tutti i coefficienti della regressione, ai quali si può accedere tramite la proprietà `.coef_`. Nel nostro caso, c'è solo un coefficiente, che dovrebbe essere intorno a `-0.017`. Ciò significa che i prezzi sembrano diminuire un po' nel tempo, ma non troppo, circa 2 centesimi al giorno. Possiamo anche accedere al punto di intersezione della regressione con l'asse Y usando `lin_reg.intercept_` - sarà circa `21` nel nostro caso, indicando il prezzo all'inizio dell'anno. +L'oggetto `LinearRegression` dopo aver effettuato il `fit` contiene tutti i coefficienti della regressione, che possono essere accessi utilizzando la proprietà `.coef_`. Nel nostro caso, c'è un solo coefficiente, che dovrebbe essere intorno a `-0.017`. Questo significa che i prezzi sembrano diminuire un po' col passare del tempo, ma non troppo, circa 2 centesimi al giorno. Possiamo anche accedere al punto di intersezione della regressione con l'asse Y usando `lin_reg.intercept_` - sarà intorno a `21` nel nostro caso, indicando il prezzo all'inizio dell'anno. -Per vedere quanto è accurato il nostro modello, possiamo prevedere i prezzi su un dataset di test, e poi misurare quanto le nostre previsioni sono vicine ai valori attesi. Questo può essere fatto usando la metrica dell'errore quadratico medio (MSE), che è la media di tutte le differenze quadrate tra valore atteso e valore previsto. +Per vedere quanto è accurato il nostro modello, possiamo prevedere i prezzi su un dataset di test e quindi misurare quanto le nostre previsioni siano vicine ai valori attesi. Questo può essere fatto utilizzando la metrica dell'errore quadratico medio (RMSE), che è la radice della media di tutte le differenze quadrate tra valore atteso e valore previsto. ```python pred = lin_reg.predict(X_test) -mse = np.sqrt(mean_squared_error(y_test,pred)) -print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)') +rmse = np.sqrt(mean_squared_error(y_test,pred)) +print(f'RMSE: {rmse:3.3} ({rmse/np.mean(pred)*100:3.3}%)') ``` Il nostro errore sembra essere intorno a 2 punti, cioè ~17%. Non troppo bene. Un altro indicatore della qualità del modello è il **coefficiente di determinazione**, che può essere ottenuto così: @@ -222,7 +222,7 @@ Il nostro errore sembra essere intorno a 2 punti, cioè ~17%. Non troppo bene. U score = lin_reg.score(X_train,y_train) print('Model determination: ', score) ``` -Se il valore è 0, significa che il modello non considera i dati di input, e agisce come il *peggior predittore lineare*, che è semplicemente il valore medio del risultato. Il valore 1 significa che possiamo prevedere perfettamente tutti i risultati attesi. Nel nostro caso, il coefficiente è intorno a 0.06, che è piuttosto basso. +Se il valore è 0, significa che il modello non considera i dati di input e agisce come il *peggior predittore lineare*, che è semplicemente un valore medio del risultato. Il valore 1 significa che possiamo prevedere perfettamente tutti i risultati attesi. Nel nostro caso, il coefficiente è intorno a 0.06, cioè abbastanza basso. Possiamo anche tracciare i dati di test insieme alla linea di regressione per vedere meglio come funziona la regressione nel nostro caso: @@ -231,21 +231,21 @@ plt.scatter(X_test,y_test) plt.plot(X_test,pred) ``` -Linear regression +Regressione lineare ## Regressione Polinomiale -Un altro tipo di Regressione Lineare è la Regressione Polinomiale. Anche se a volte c'è una relazione lineare tra variabili - più grande è la zucca in volume, più alto è il prezzo - a volte queste relazioni non possono essere rappresentate come un piano o una linea retta. +Un altro tipo di regressione lineare è la Regressione Polinomiale. Sebbene a volte ci sia una relazione lineare tra le variabili - più grande è la zucca in volume, più alto è il prezzo - a volte queste relazioni non possono essere rappresentate come un piano o una linea retta. -✅ Qui ci sono [alcuni altri esempi](https://online.stat.psu.edu/stat501/lesson/9/9.8) di dati che potrebbero usare la Regressione Polinomiale +✅ Ecco [alcuni esempi in più](https://online.stat.psu.edu/stat501/lesson/9/9.8) di dati che possono richiedere una Regressione Polinomiale -Dai un altro sguardo alla relazione tra Data e Prezzo. Questo grafico a dispersione sembra proprio debba essere analizzato necessariamente da una linea retta? I prezzi non possono fluttuare? In questo caso, si può provare la regressione polinomiale. +Dai un'altra occhiata alla relazione tra Data e Prezzo. Questo scatterplot sembra necessariamente dover essere analizzato da una linea retta? I prezzi non possono fluttuare? In questo caso, puoi provare la regressione polinomiale. -✅ I polinomi sono espressioni matematiche che potrebbero consistere di una o più variabili e coefficienti. +✅ I polinomi sono espressioni matematiche che possono consistere in una o più variabili e coefficienti -La regressione polinomiale crea una curva per adattarsi meglio ai dati non lineari. Nel nostro caso, se includiamo una variabile `DayOfYear` al quadrato nei dati di input, dovremmo essere in grado di adattare i nostri dati con una curva parabolica, che avrà un minimo in un certo punto all'interno dell'anno. +La regressione polinomiale crea una linea curva per adattarsi meglio ai dati non lineari. Nel nostro caso, se includiamo una variabile `DayOfYear` al quadrato nei dati di input, dovremmo essere in grado di adattare i dati con una curva parabolica, che avrà un minimo in un certo punto dell'anno. -Scikit-learn include una utile [API pipeline](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) per combinare diversi passaggi di elaborazione dei dati insieme. Una **pipeline** è una catena di **stimatori**. Nel nostro caso, creeremo una pipeline che prima aggiunge funzionalità polinomiali al nostro modello e poi addestra la regressione: +Scikit-learn include un utile [API pipeline](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) per combinare insieme diversi passaggi di elaborazione dati. Una **pipeline** è una catena di **stimatori**. Nel nostro caso, creeremo una pipeline che prima aggiunge caratteristiche polinomiali al nostro modello e poi addestra la regressione: ```python from sklearn.preprocessing import PolynomialFeatures @@ -256,36 +256,36 @@ pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) ``` -Usare `PolynomialFeatures(2)` significa che includeremo tutti i polinomi di secondo grado dai dati di input. Nel nostro caso sarà solo `DayOfYear`2, ma dati due variabili di input X e Y, questo aggiungerà X2, XY e Y2. Possiamo anche usare polinomi di grado superiore se vogliamo. +Usare `PolynomialFeatures(2)` significa che includeremo tutti i polinomi di secondo grado dai dati di input. Nel nostro caso significherà solo `DayOfYear`2, ma dati due variabili di input X e Y, questo aggiungerà X2, XY e Y2. Possiamo anche utilizzare polinomi di grado superiore se vogliamo. -Le pipeline possono essere usate allo stesso modo dell'oggetto originale `LinearRegression`, cioè possiamo `fit` la pipeline, e poi usare `predict` per ottenere i risultati di previsione. Ecco il grafico che mostra i dati di test e la curva di approssimazione: +Le pipeline possono essere utilizzate nello stesso modo dell'oggetto `LinearRegression` originale, cioè possiamo `fit`tare la pipeline e quindi usare `predict` per ottenere i risultati della previsione. Ecco il grafico che mostra i dati di test e la curva di approssimazione: -Polynomial regression +Regressione polinomiale -Usando la Regressione Polinomiale, possiamo ottenere un MSE leggermente più basso e un coefficiente di determinazione più alto, ma non in modo significativo. Dobbiamo considerare altre caratteristiche! +Usando la regressione polinomiale, possiamo ottenere un MSE leggermente più basso e un coefficiente di determinazione più alto, ma non in modo significativo. Dobbiamo prendere in considerazione altre caratteristiche! -> Si può osservare che i prezzi minimi delle zucche si verificano da qualche parte intorno a Halloween. Come puoi spiegare questo? +> Puoi vedere che i prezzi minimi delle zucche si osservano intorno a Halloween. Come puoi spiegare questo? -🎃 Congratulazioni, hai appena creato un modello che può aiutare a prevedere il prezzo delle zucche da torta. Probabilmente puoi ripetere la stessa procedura per tutti i tipi di zucca, ma sarebbe laborioso. Ora impariamo come considerare la varietà di zucca nel nostro modello! +🎃 Congratulazioni, hai appena creato un modello che può aiutare a prevedere il prezzo delle zucche da torta. Probabilmente puoi ripetere la stessa procedura per tutti i tipi di zucca, ma sarebbe tedioso. Impariamo ora come considerare la varietà di zucca nel nostro modello! ## Caratteristiche Categoricali -Nel mondo ideale, vogliamo essere in grado di prevedere i prezzi per diverse varietà di zucche usando lo stesso modello. Tuttavia, la colonna `Variety` è un po' diversa dalle colonne come `Month`, perché contiene valori non numerici. Queste colonne sono chiamate **categoricali**. +Nel mondo ideale, vogliamo poter prevedere i prezzi per diverse varietà di zucca usando lo stesso modello. Tuttavia, la colonna `Variety` è un po' diversa da colonne come `Month`, perché contiene valori non numerici. Queste colonne sono chiamate **categoriche**. -[![ML for beginners - Categorical Feature Predictions with Linear Regression](https://img.youtube.com/vi/DYGliioIAE0/0.jpg)](https://youtu.be/DYGliioIAE0 "ML for beginners - Categorical Feature Predictions with Linear Regression") +[![ML per principianti - Previsioni con caratteristiche categoriche e regressione lineare](https://img.youtube.com/vi/DYGliioIAE0/0.jpg)](https://youtu.be/DYGliioIAE0 "ML per principianti - Previsioni con caratteristiche categoriche e regressione lineare") -> 🎥 Clicca l'immagine sopra per un breve video introduttivo sull'uso delle caratteristiche categoriche. +> 🎥 Clicca sull'immagine sopra per un breve video di overview sull'uso delle caratteristiche categoriche. Qui puoi vedere come il prezzo medio dipende dalla varietà: -Average price by variety +Prezzo medio per varietà -Per tenere conto della varietà, dobbiamo prima convertirla in forma numerica, o **codificarla**. Ci sono diversi modi per farlo: +Per considerare la varietà, dobbiamo prima convertirla in forma numerica, o **codificarla**. Ci sono diversi modi per farlo: -* La semplice **codifica numerica** costruisce una tabella delle varie varietà, e poi sostituisce il nome della varietà con un indice in quella tabella. Questa non è la migliore idea per la regressione lineare, perché la regressione lineare prende il valore numerico effettivo dell'indice, e lo usa nel risultato moltiplicandolo per qualche coefficiente. Nel nostro caso, la relazione tra numero dell'indice e prezzo è chiaramente non lineare, anche se assicuriamo che gli indici siano ordinati in qualche modo specifico. -* La **codifica one-hot** sostituisce la colonna `Variety` con 4 colonne diverse, una per ogni varietà. Ogni colonna conterrà `1` se la riga corrispondente è di quella varietà, e `0` altrimenti. Questo significa che ci saranno quattro coefficienti nella regressione lineare, uno per ogni varietà di zucca, responsabile del "prezzo di partenza" (o piuttosto "prezzo aggiuntivo") per quella particolare varietà. +* La semplice **codifica numerica** costruisce una tabella delle diverse varietà e poi sostituisce il nome della varietà con un indice in quella tabella. Questa non è la scelta migliore per regressione lineare, perché questa prende il valore numerico effettivo dell'indice e lo aggiunge al risultato moltiplicandolo per un coefficiente. Nel nostro caso, la relazione tra il numero indice e il prezzo è chiaramente non lineare, anche se facciamo in modo che gli indici siano ordinati in un certo modo. +* La **one-hot encoding** sostituirà la colonna `Variety` con 4 colonne diverse, una per ogni varietà. Ogni colonna conterrà `1` se la riga corrispondente è della data varietà, e `0` altrimenti. Questo significa che ci saranno quattro coefficienti nella regressione lineare, uno per ogni varietà di zucca, responsabili del "prezzo di partenza" (o meglio "prezzo aggiuntivo") per quella particolare varietà. -Il codice qui sotto mostra come possiamo fare one-hot encoding di una varietà: +Il codice sotto mostra come possiamo applicare la codifica one-hot alla varietà: ```python pd.get_dummies(new_pumpkins['Variety']) @@ -309,7 +309,7 @@ X = pd.get_dummies(new_pumpkins['Variety']) y = new_pumpkins['Price'] ``` -Il resto del codice è lo stesso che abbiamo usato sopra per addestrare la regressione lineare. Se provi, vedrai che l'errore quadratico medio è circa lo stesso, ma otteniamo un coefficiente di determinazione molto più alto (~77%). Per ottenere previsioni ancora più accurate, possiamo tenere conto di più caratteristiche categoriche, così come di caratteristiche numeriche, come `Month` o `DayOfYear`. Per ottenere un unico grande array di caratteristiche, possiamo usare `join`: +Il resto del codice è lo stesso che abbiamo usato sopra per addestrare la regressione lineare. Se provi, vedrai che l’errore quadratico medio è circa lo stesso, ma otteniamo un coefficiente di determinazione molto più alto (~77%). Per avere previsioni ancora più precise, possiamo considerare altre caratteristiche categoriche oltre che caratteristiche numeriche, come `Month` o `DayOfYear`. Per avere un unico grande array di caratteristiche, possiamo usare `join`: ```python X = pd.get_dummies(new_pumpkins['Variety']) \ @@ -319,31 +319,31 @@ X = pd.get_dummies(new_pumpkins['Variety']) \ y = new_pumpkins['Price'] ``` -Qui consideriamo anche `City` e il tipo di `Package`, il che ci dà un MSE di 2.84 (10%) e determinazione 0.94! +Qui consideriamo anche `City` e il tipo di `Package`, che ci dà MSE 2.84 (10%) e coefficiente di determinazione 0.94! ## Mettere tutto insieme -Per creare il modello migliore, possiamo usare dati combinati (categorici codificati one-hot + numerici) dall'esempio sopra insieme alla Regressione Polinomiale. Ecco il codice completo per tua comodità: +Per creare il miglior modello, possiamo usare i dati combinati (categorici codificati one-hot + numerici) dall'esempio sopra insieme alla regressione polinomiale. Ecco il codice completo per la tua comodità: ```python -# configura i dati di addestramento +# impostare i dati di addestramento X = pd.get_dummies(new_pumpkins['Variety']) \ .join(new_pumpkins['Month']) \ .join(pd.get_dummies(new_pumpkins['City'])) \ .join(pd.get_dummies(new_pumpkins['Package'])) y = new_pumpkins['Price'] -# crea la divisione train-test +# fare la divisione train-test X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) -# configura e addestra la pipeline +# configurare e addestrare la pipeline pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) -# predici i risultati per i dati di test +# prevedere i risultati per i dati di test pred = pipeline.predict(X_test) -# calcola MSE e coefficiente di determinazione +# calcolare MSE e coefficiente di determinazione mse = np.sqrt(mean_squared_error(y_test,pred)) print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)') @@ -351,28 +351,28 @@ score = pipeline.score(X_train,y_train) print('Model determination: ', score) ``` -Questo dovrebbe darci il miglior coefficiente di determinazione di quasi 97%, e MSE=2.23 (~8% di errore di previsione). +Questo dovrebbe darci il miglior coefficiente di determinazione di quasi 97% e MSE=2.23 (~8% di errore nella previsione). -| Modello | MSE | Determinazione | -|---------|-----|---------------| +| Modello | MSE | Coefficiente di determinazione | +|---------|-----|-------------------------------| | Lineare `DayOfYear` | 2.77 (17.2%) | 0.07 | | Polinomiale `DayOfYear` | 2.73 (17.0%) | 0.08 | | Lineare `Variety` | 5.24 (19.7%) | 0.77 | | Lineare tutte le caratteristiche | 2.84 (10.5%) | 0.94 | | Polinomiale tutte le caratteristiche | 2.23 (8.25%) | 0.97 | -🏆 Ben fatto! Hai creato quattro modelli di regressione in una lezione, e migliorato la qualità del modello al 97%. Nella sezione finale sulla Regressione, imparerai la Regressione Logistica per determinare categorie. +🏆 Ben fatto! Hai creato quattro modelli di regressione in una lezione e migliorato la qualità del modello fino al 97%. Nella sezione finale su Regressione, imparerai la Regressione Logistica per determinare le categorie. --- ## 🚀Sfida -Prova diverse variabili in questo notebook per vedere come la correlazione corrisponde all'accuratezza del modello. +Prova diverse variabili in questo notebook per vedere come la correlazione corrisponde all’accuratezza del modello. ## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ml/) -## Revisione e Studio Autonomo +## Revisione & Studio individuale -In questa lezione abbiamo imparato la Regressione Lineare. Ci sono altri tipi importanti di Regressione. Leggi delle tecniche Stepwise, Ridge, Lasso ed Elasticnet. Un buon corso per approfondire è il [corso Stanford Statistical Learning](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) +In questa lezione abbiamo imparato la regressione lineare. Ci sono altri tipi importanti di regressione. Leggi sulle tecniche Stepwise, Ridge, Lasso e Elasticnet. Un buon corso da studiare per approfondire è il [corso Stanford Statistical Learning](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) ## Compito @@ -381,6 +381,6 @@ In questa lezione abbiamo imparato la Regressione Lineare. Ci sono altri tipi im --- -**Dichiarazione di non responsabilità**: -Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci sforziamo di garantire l’accuratezza, si prega di notare che le traduzioni automatizzate possono contenere errori o imprecisioni. Il documento originale nella sua lingua madre deve essere considerato come la fonte autorevole. Per informazioni critiche si raccomanda una traduzione professionale umana. Non ci assumiamo alcuna responsabilità per eventuali incomprensioni o interpretazioni errate derivanti dall’uso di questa traduzione. +**Disclaimer**: +Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Pur impegnandoci per garantire l'accuratezza, si prega di considerare che le traduzioni automatiche possono contenere errori o inesattezze. Il documento originale nella sua lingua madre deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale umana. Non ci assumiamo alcuna responsabilità per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione. \ No newline at end of file diff --git a/translations/it/4-Classification/2-Classifiers-1/README.md b/translations/it/4-Classification/2-Classifiers-1/README.md index ea8fccb4e..2b5559242 100644 --- a/translations/it/4-Classification/2-Classifiers-1/README.md +++ b/translations/it/4-Classification/2-Classifiers-1/README.md @@ -1,13 +1,13 @@ -# Classificatori di cucine 1 +# Classificatori di cucina 1 -In questa lezione, utilizzerai il dataset che hai salvato dalla lezione precedente, pieno di dati bilanciati e puliti riguardanti le cucine. +In questa lezione, utilizzerai il dataset che hai salvato dalla lezione precedente pieno di dati bilanciati e puliti, tutti riguardanti cucine. -Utilizzerai questo dataset con una varietà di classificatori per _predire una cucina nazionale basandoti su un gruppo di ingredienti_. Durante il processo, imparerai di più su alcuni dei modi in cui gli algoritmi possono essere utilizzati per compiti di classificazione. +Utilizzerai questo dataset con una varietà di classificatori per _predire una cucina nazionale data un gruppo di ingredienti_. Nel farlo, imparerai di più su alcuni dei modi in cui gli algoritmi possono essere sfruttati per compiti di classificazione. ## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ml/) # Preparazione -Supponendo che tu abbia completato [Lezione 1](../1-Introduction/README.md), assicurati che un file _cleaned_cuisines.csv_ esista nella cartella radice `/data` per queste quattro lezioni. +Presumendo che tu abbia completato la [Lezione 1](../1-Introduction/README.md), assicurati che un file _cleaned_cuisines.csv_ esista nella cartella radice `/data` per queste quattro lezioni. ## Esercizio - predire una cucina nazionale @@ -30,7 +30,7 @@ Supponendo che tu abbia completato [Lezione 1](../1-Introduction/README.md), ass | 4 | 4 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | -1. Ora, importa diverse altre librerie: +1. Ora, importa altre librerie: ```python from sklearn.linear_model import LogisticRegression @@ -40,7 +40,7 @@ Supponendo che tu abbia completato [Lezione 1](../1-Introduction/README.md), ass import numpy as np ``` -1. Dividi le coordinate X e y in due dataframe per l'addestramento. `cuisine` può essere il dataframe delle etichette: +1. Dividi le coordinate X e y in due data frame per l’addestramento. `cuisine` può essere il data frame delle etichette: ```python cuisines_label_df = cuisines_df['cuisine'] @@ -58,14 +58,14 @@ Supponendo che tu abbia completato [Lezione 1](../1-Introduction/README.md), ass Name: cuisine, dtype: object ``` -1. Elimina la colonna `Unnamed: 0` e la colonna `cuisine`, utilizzando `drop()`. Salva il resto dei dati come caratteristiche addestrabili: +1. Elimina la colonna `Unnamed: 0` e la colonna `cuisine`, chiamando `drop()`. Salva il resto dei dati come caratteristiche su cui addestrare: ```python cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1) cuisines_feature_df.head() ``` - Le tue caratteristiche appaiono così: + Le tue caratteristiche appariranno così: | | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | artemisia | artichoke | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | ---: | -----: | -------: | ----: | ---------: | ----: | -----------: | ------: | -------: | --------: | --------: | ---: | ------: | ----------: | ---------: | ----------------------: | ---: | ---: | ---: | ----: | -----: | -------: | @@ -75,85 +75,85 @@ Supponendo che tu abbia completato [Lezione 1](../1-Introduction/README.md), ass | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | -Ora sei pronto per addestrare il tuo modello! +Ora sei pronto per addestrare il modello! -## Scegliere il classificatore +## Scelta del classificatore -Ora che i tuoi dati sono puliti e pronti per l'addestramento, devi decidere quale algoritmo utilizzare per il lavoro. +Ora che i tuoi dati sono puliti e pronti per l’addestramento, devi decidere quale algoritmo utilizzare per il lavoro. -Scikit-learn raggruppa la classificazione sotto l'Apprendimento Supervisionato, e in quella categoria troverai molti modi per classificare. [La varietà](https://scikit-learn.org/stable/supervised_learning.html) può sembrare piuttosto sconcertante a prima vista. I seguenti metodi includono tecniche di classificazione: +Scikit-learn raggruppa la classificazione sotto l’apprendimento supervisionato, e in questa categoria troverai molti modi per classificare. [La varietà](https://scikit-learn.org/stable/supervised_learning.html) è piuttosto confusa a prima vista. I seguenti metodi includono tutte tecniche di classificazione: -- Modelli Lineari +- Modelli lineari - Support Vector Machines -- Stochastic Gradient Descent +- Discesa del gradiente stocastica - Vicini più prossimi - Processi Gaussiani - Alberi decisionali -- Metodi Ensemble (voting Classifier) +- Metodi ensemble (voting Classifier) - Algoritmi multiclass e multioutput (classificazione multiclass e multilabel, classificazione multiclass-multioutput) -> Puoi anche utilizzare [reti neurali per classificare i dati](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), ma ciò è al di fuori dell'ambito di questa lezione. +> Puoi anche utilizzare [reti neurali per classificare i dati](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), ma questo è fuori dallo scopo di questa lezione. ### Quale classificatore scegliere? -Quindi, quale classificatore dovresti scegliere? Spesso, provare diversi e cercare un buon risultato è un modo per testare. Scikit-learn offre un [confronto fianco a fianco](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) su un dataset creato, confrontando KNeighbors, SVC in due modi, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB e QuadraticDiscrinationAnalysis, mostrando i risultati visualizzati: +Allora, quale classificatore dovresti scegliere? Spesso, provare diversi modelli e cercare un buon risultato è un modo per testare. Scikit-learn offre un [confronto affiancato](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) su un dataset creato, confrontando KNeighbors, SVC in due modi, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB e QuadraticDiscrinationAnalysis, mostrando i risultati visualizzati: -![confronto tra classificatori](../../../../4-Classification/2-Classifiers-1/images/comparison.png) +![confronto di classificatori](../../../../translated_images/it/comparison.edfab56193a85e7f.webp) > Grafici generati dalla documentazione di Scikit-learn -> AutoML risolve questo problema in modo semplice eseguendo questi confronti nel cloud, permettendoti di scegliere il miglior algoritmo per i tuoi dati. Provalo [qui](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) +> AutoML risolve questo problema in modo ordinato eseguendo questi confronti nel cloud, permettendoti di scegliere il miglior algoritmo per i tuoi dati. Provalo [qui](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) ### Un approccio migliore -Un modo migliore rispetto a indovinare casualmente, tuttavia, è seguire le idee presenti in questo [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) scaricabile. Qui scopriamo che, per il nostro problema multiclass, abbiamo alcune opzioni: +Un modo migliore rispetto a un’improvvisazione completa, però, è seguire le idee su questa [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) scaricabile. Qui scopriamo che, per il nostro problema multiclass, abbiamo alcune scelte: -![cheatsheet per problemi multiclass](../../../../4-Classification/2-Classifiers-1/images/cheatsheet.png) -> Una sezione del Cheat Sheet sugli Algoritmi di Microsoft, che dettaglia le opzioni di classificazione multiclass +![cheatsheet per problemi multiclass](../../../../translated_images/it/cheatsheet.07a475ea444d2223.webp) +> Un estratto dell’Algorithm Cheat Sheet di Microsoft, che dettaglia le opzioni per la classificazione multiclass -✅ Scarica questo cheat sheet, stampalo e appendilo al muro! +✅ Scarica questa cheat sheet, stampala e appendila al muro! ### Ragionamento -Vediamo se possiamo ragionare attraverso diversi approcci dati i vincoli che abbiamo: +Vediamo se possiamo ragionare su diversi approcci dati i vincoli che abbiamo: -- **Le reti neurali sono troppo pesanti**. Dato il nostro dataset pulito ma minimale, e il fatto che stiamo eseguendo l'addestramento localmente tramite notebook, le reti neurali sono troppo pesanti per questo compito. -- **Nessun classificatore a due classi**. Non utilizziamo un classificatore a due classi, quindi escludiamo one-vs-all. -- **Un albero decisionale o una regressione logistica potrebbero funzionare**. Un albero decisionale potrebbe funzionare, o una regressione logistica per dati multiclass. -- **Gli alberi decisionali potenziati multiclass risolvono un problema diverso**. L'albero decisionale potenziato multiclass è più adatto per compiti non parametrici, ad esempio compiti progettati per costruire classifiche, quindi non è utile per noi. +- **Le reti neurali sono troppo pesanti**. Dato il nostro dataset pulito ma minimale, e il fatto che stiamo eseguendo l’addestramento localmente tramite notebook, le reti neurali sono troppo pesanti per questo compito. +- **Nessun classificatore a due classi**. Non usiamo un classificatore a due classi, quindi scartiamo one-vs-all. +- **Un albero decisionale o regressione logistica potrebbero funzionare**. Un albero decisionale potrebbe funzionare, o la regressione logistica per dati multiclass. +- **Gli alberi decisionali potenziati multiclass risolvono un problema diverso**. L’albero decisionale potenziato multiclass è più adatto per compiti non parametrici, ad esempio compiti progettati per costruire classifiche, quindi non è utile per noi. -### Utilizzare Scikit-learn +### Uso di Scikit-learn -Utilizzeremo Scikit-learn per analizzare i nostri dati. Tuttavia, ci sono molti modi per utilizzare la regressione logistica in Scikit-learn. Dai un'occhiata ai [parametri da passare](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). +Useremo Scikit-learn per analizzare i nostri dati. Tuttavia, ci sono molti modi di usare la regressione logistica in Scikit-learn. Dai un’occhiata ai [parametri da passare](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Essenzialmente ci sono due parametri importanti - `multi_class` e `solver` - che dobbiamo specificare, quando chiediamo a Scikit-learn di eseguire una regressione logistica. Il valore `multi_class` applica un certo comportamento. Il valore del solver indica quale algoritmo utilizzare. Non tutti i solver possono essere abbinati a tutti i valori di `multi_class`. +Fondamentalmente ci sono due parametri importanti - `multi_class` e `solver` - che dobbiamo specificare quando richiediamo a Scikit-learn di eseguire una regressione logistica. Il valore `multi_class` applica un certo comportamento. Il valore `solver` indica quale algoritmo usare. Non tutti i solver possono essere abbinati a tutti i valori di `multi_class`. -Secondo la documentazione, nel caso multiclass, l'algoritmo di addestramento: +Secondo la documentazione, nel caso multiclass, l’algoritmo di addestramento: -- **Utilizza lo schema one-vs-rest (OvR)**, se l'opzione `multi_class` è impostata su `ovr` -- **Utilizza la perdita di entropia incrociata**, se l'opzione `multi_class` è impostata su `multinomial`. (Attualmente l'opzione `multinomial` è supportata solo dai solver ‘lbfgs’, ‘sag’, ‘saga’ e ‘newton-cg’.)" +- **Usa lo schema one-vs-rest (OvR)** se l’opzione `multi_class` è impostata su `ovr` +- **Usa la perdita di cross-entropy** se l’opzione `multi_class` è impostata su `multinomial`. (Attualmente l’opzione `multinomial` è supportata solo dai solver ‘lbfgs’, ‘sag’, ‘saga’ e ‘newton-cg’)." -> 🎓 Lo 'schema' qui può essere 'ovr' (one-vs-rest) o 'multinomial'. Poiché la regressione logistica è progettata principalmente per supportare la classificazione binaria, questi schemi le permettono di gestire meglio i compiti di classificazione multiclass. [fonte](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) +> 🎓 Lo 'schema' qui può essere 'ovr' (one-vs-rest) o 'multinomial'. Poiché la regressione logistica è realmente progettata per supportare la classificazione binaria, questi schemi le permettono di gestire meglio compiti di classificazione multiclass. [fonte](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) -> 🎓 Il 'solver' è definito come "l'algoritmo da utilizzare nel problema di ottimizzazione". [fonte](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). +> 🎓 Il 'solver' è definito come "l’algoritmo da usare nel problema di ottimizzazione". [fonte](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Scikit-learn offre questa tabella per spiegare come i solver gestiscono le diverse sfide presentate da diverse strutture di dati: +Scikit-learn offre questa tabella per spiegare come i solver gestiscono diverse sfide presentate da diversi tipi di strutture dati: -![solvers](../../../../4-Classification/2-Classifiers-1/images/solvers.png) +![solver](../../../../translated_images/it/solvers.5fc648618529e627.webp) ## Esercizio - dividere i dati -Possiamo concentrarci sulla regressione logistica per il nostro primo tentativo di addestramento, dato che hai recentemente imparato quest'ultima in una lezione precedente. -Dividi i tuoi dati in gruppi di addestramento e test chiamando `train_test_split()`: +Possiamo concentrarci sulla regressione logistica per la nostra prima prova di addestramento dato che l’hai imparata recentemente in una lezione precedente. +Dividi i dati in gruppi di addestramento e test chiamando `train_test_split()`: ```python X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3) ``` -## Esercizio - applicare la regressione logistica +## Esercizio - applicare regressione logistica -Poiché stai utilizzando il caso multiclass, devi scegliere quale _schema_ utilizzare e quale _solver_ impostare. Utilizza LogisticRegression con un'impostazione multiclass e il solver **liblinear** per l'addestramento. +Dato che stai usando il caso multiclass, devi scegliere quale _schema_ usare e quale _solver_ impostare. Usa LogisticRegression con un’impostazione multiclass e il solver **liblinear** per addestrare. -1. Crea una regressione logistica con multi_class impostato su `ovr` e il solver impostato su `liblinear`: +1. Crea una regressione logistica con `multi_class` impostato su `ovr` e il solver impostato su `liblinear`: ```python lr = LogisticRegression(multi_class='ovr',solver='liblinear') @@ -163,9 +163,11 @@ Poiché stai utilizzando il caso multiclass, devi scegliere quale _schema_ utili print ("Accuracy is {}".format(accuracy)) ``` - ✅ Prova un solver diverso come `lbfgs`, che spesso è impostato come predefinito -> Nota, utilizza la funzione Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) per appiattire i tuoi dati quando necessario. -L'accuratezza è buona, superiore al **80%**! + ✅ Prova un solver diverso come `lbfgs`, che spesso è impostato come default + + > Nota, usa la funzione Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) per appiattire i tuoi dati quando necessario. + + L’accuratezza è buona, oltre l’**80%**! 1. Puoi vedere questo modello in azione testando una riga di dati (#50): @@ -174,16 +176,15 @@ L'accuratezza è buona, superiore al **80%**! print(f'cuisine: {y_test.iloc[50]}') ``` - Il risultato viene stampato: + Il risultato è stampato: ```output ingredients: Index(['cilantro', 'onion', 'pea', 'potato', 'tomato', 'vegetable_oil'], dtype='object') cuisine: indian ``` - ✅ Prova un numero di riga diverso e verifica i risultati. - -1. Approfondendo, puoi controllare l'accuratezza di questa previsione: + ✅ Prova un numero di riga diverso e verifica i risultati +1. Approfondendo, puoi verificare l’accuratezza di questa previsione: ```python test= X_test.iloc[50].values.reshape(-1, 1).T @@ -205,9 +206,9 @@ L'accuratezza è buona, superiore al **80%**! | korean | 0.017277 | | thai | 0.007634 | - ✅ Riesci a spiegare perché il modello è abbastanza sicuro che si tratti di una cucina indiana? + ✅ Puoi spiegare perché il modello è abbastanza sicuro che questa sia una cucina indiana? -1. Ottieni maggiori dettagli stampando un report di classificazione, come hai fatto nelle lezioni sulla regressione: +1. Ottieni più dettagli stampando un report di classificazione, come hai fatto nelle lezioni sulla regressione: ```python y_pred = model.predict(X_test) @@ -221,24 +222,26 @@ L'accuratezza è buona, superiore al **80%**! | japanese | 0.70 | 0.75 | 0.72 | 220 | | korean | 0.86 | 0.76 | 0.81 | 242 | | thai | 0.79 | 0.85 | 0.82 | 254 | - | accuracy | 0.80 | 1199 | | | + | accuracy | | | 0.80 | 1199 | | macro avg | 0.80 | 0.80 | 0.80 | 1199 | | weighted avg | 0.80 | 0.80 | 0.80 | 1199 | ## 🚀Sfida -In questa lezione, hai utilizzato i tuoi dati puliti per costruire un modello di machine learning in grado di prevedere una cucina nazionale basandosi su una serie di ingredienti. Prenditi del tempo per leggere le numerose opzioni che Scikit-learn offre per classificare i dati. Approfondisci il concetto di 'solver' per capire cosa succede dietro le quinte. +In questa lezione, hai utilizzato i tuoi dati puliti per costruire un modello di machine learning che può prevedere una cucina nazionale basata su una serie di ingredienti. Prenditi del tempo per leggere le molte opzioni che Scikit-learn fornisce per classificare i dati. Approfondisci il concetto di 'solver' per capire cosa succede dietro le quinte. ## [Quiz post-lezione](https://ff-quizzes.netlify.app/en/ml/) -## Revisione & Studio Autonomo +## Revisione e autoapprendimento -Approfondisci un po' di più la matematica dietro la regressione logistica in [questa lezione](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) -## Compito +Approfondisci un po’ di più la matematica dietro la regressione logistica in [questa lezione](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) +## Compito -[Studia i solvers](assignment.md) +[Studia i solver](assignment.md) --- + **Disclaimer**: -Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione. \ No newline at end of file +Questo documento è stato tradotto utilizzando il servizio di traduzione AI [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o inesattezze. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale umana. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione. + \ No newline at end of file diff --git a/translations/it/README.md b/translations/it/README.md index 1cad6f33f..661255020 100644 --- a/translations/it/README.md +++ b/translations/it/README.md @@ -1,23 +1,23 @@ -[![Licenza GitHub](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) -[![Collaboratori GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![Issue di GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) -[![Richieste di pull GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PRs Benvenuti](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) +[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) +[![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) +[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![Osservatori GitHub](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) -[![Fork GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) -[![Stelle GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) +[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) +[![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) -### 🌐 Supporto multi-lingua +### 🌐 Supporto Multilingua -#### Supportato tramite GitHub Action (Automatizzato e sempre aggiornato) +#### Supportato tramite GitHub Action (Automatizzato e Sempre Aggiornato) -[Arabo](../ar/README.md) | [Bengalese](../bn/README.md) | [Bulgaro](../bg/README.md) | [Birmano (Myanmar)](../my/README.md) | [Cinese (Semplificato)](../zh-CN/README.md) | [Cinese (Tradizionale, Hong Kong)](../zh-HK/README.md) | [Cinese (Tradizionale, Macao)](../zh-MO/README.md) | [Cinese (Tradizionale, Taiwan)](../zh-TW/README.md) | [Croato](../hr/README.md) | [Ceco](../cs/README.md) | [Danese](../da/README.md) | [Olandese](../nl/README.md) | [Estone](../et/README.md) | [Finlandese](../fi/README.md) | [Francese](../fr/README.md) | [Tedesco](../de/README.md) | [Greco](../el/README.md) | [Ebraico](../he/README.md) | [Hindi](../hi/README.md) | [Ungherese](../hu/README.md) | [Indonesiano](../id/README.md) | [Italiano](./README.md) | [Giapponese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malese](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalese](../ne/README.md) | [Pidgin Nigeriano](../pcm/README.md) | [Norvegese](../no/README.md) | [Persiano (Farsi)](../fa/README.md) | [Polacco](../pl/README.md) | [Portoghese (Brasile)](../pt-BR/README.md) | [Portoghese (Portogallo)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumeno](../ro/README.md) | [Russo](../ru/README.md) | [Serbo (Cirillico)](../sr/README.md) | [Slovacco](../sk/README.md) | [Sloveno](../sl/README.md) | [Spagnolo](../es/README.md) | [Swahili](../sw/README.md) | [Svedese](../sv/README.md) | [Tagalog (Filippino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Tailandese](../th/README.md) | [Turco](../tr/README.md) | [Ucraino](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md) +[Arabo](../ar/README.md) | [Bengalese](../bn/README.md) | [Bulgaro](../bg/README.md) | [Birmano (Myanmar)](../my/README.md) | [Cinese (Semplificato)](../zh-CN/README.md) | [Cinese (Tradizionale, Hong Kong)](../zh-HK/README.md) | [Cinese (Tradizionale, Macao)](../zh-MO/README.md) | [Cinese (Tradizionale, Taiwan)](../zh-TW/README.md) | [Croato](../hr/README.md) | [Ceco](../cs/README.md) | [Danese](../da/README.md) | [Olandese](../nl/README.md) | [Estone](../et/README.md) | [Finlandese](../fi/README.md) | [Francese](../fr/README.md) | [Tedesco](../de/README.md) | [Greco](../el/README.md) | [Ebraico](../he/README.md) | [Hindi](../hi/README.md) | [Ungherese](../hu/README.md) | [Indonesiano](../id/README.md) | [Italiano](./README.md) | [Giapponese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malese](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalese](../ne/README.md) | [Pidgin Nigeriano](../pcm/README.md) | [Norvegese](../no/README.md) | [Persiano (Farsi)](../fa/README.md) | [Polacco](../pl/README.md) | [Portoghese (Brasile)](../pt-BR/README.md) | [Portoghese (Portogallo)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumeno](../ro/README.md) | [Russo](../ru/README.md) | [Serbo (Cirillico)](../sr/README.md) | [Slovacco](../sk/README.md) | [Sloveno](../sl/README.md) | [Spagnolo](../es/README.md) | [Swahili](../sw/README.md) | [Svedese](../sv/README.md) | [Tagalog (Filippino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turco](../tr/README.md) | [Ucraino](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md) > **Preferisci clonare localmente?** > -> Questo repository include più di 50 traduzioni linguistico che aumentano significativamente la dimensione del download. Per clonare senza traduzioni, usa sparse checkout: +> Questo repository include più di 50 traduzioni linguistiche, il che aumenta significativamente la dimensione del download. Per clonare senza traduzioni, usa lo sparse checkout: > > **Bash / macOS / Linux:** > ```bash @@ -33,71 +33,71 @@ > git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" > ``` > -> Questo ti fornisce tutto il necessario per completare il corso con un download molto più veloce. +> Questo ti dà tutto il necessario per completare il corso con un download molto più veloce. -#### Unisciti alla nostra comunità +#### Unisciti alla nostra Community [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Abbiamo una serie Discord “Learn with AI” in corso, scopri di più e unisciti a noi su [Learn with AI Series](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai suggerimenti e trucchi per usare GitHub Copilot per Data Science. +Abbiamo in corso una serie Discord "imparare con l’AI", scopri di più e unisciti a noi su [Learn with AI Series](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai consigli e trucchi sull’uso di GitHub Copilot per la Data Science. -![Serie Learn with AI](../../translated_images/it/3.9b58fd8d6c373c20.webp) +![Learn with AI series](../../translated_images/it/3.9b58fd8d6c373c20.webp) -# Machine Learning per Principianti - Un Curriculum +# Apprendimento Automatico per Principianti - Un Curriculum -> 🌍 Viaggia per il mondo mentre esploriamo il Machine Learning attraverso le culture mondiali 🌍 +> 🌍 Viaggia intorno al mondo mentre esploriamo il Machine Learning attraverso le culture del mondo 🌍 -Gli Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane con 26 lezioni tutto sul **Machine Learning**. In questo curriculum, imparerai cos'è quello che a volte viene chiamato **machine learning classico**, utilizzando principalmente Scikit-learn come libreria ed evitando il deep learning, che è trattato nel nostro [curriculum AI for Beginners](https://aka.ms/ai4beginners). Abbina queste lezioni al nostro ['Data Science for Beginners curriculum'](https://aka.ms/ds4beginners), inoltre! +I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane, 26 lezioni interamente dedicato al **Machine Learning**. In questo curriculum, apprenderai ciò che a volte viene chiamato **machine learning classico**, utilizzando principalmente Scikit-learn come libreria ed evitando il deep learning, che è invece trattato nel nostro [curriculum AI per principianti](https://aka.ms/ai4beginners). Abbina queste lezioni al nostro ['Data Science per Principianti' curriculum](https://aka.ms/ds4beginners), inoltre! -Viaggia con noi in tutto il mondo mentre applichiamo queste tecniche classiche ai dati provenienti da diverse aree del mondo. Ogni lezione include quiz pre e post-lezione, istruzioni scritte per completare la lezione, una soluzione, un compito e altro. La nostra pedagogia basata su progetti ti permette di imparare costruendo, un metodo già collaudato perché le nuove competenze permangano. +Viaggia con noi intorno al mondo mentre applichiamo queste tecniche classiche a dati provenienti da molte aree del mondo. Ogni lezione include quiz pre- e post-lezione, istruzioni scritte per completare la lezione, una soluzione, un compito e altro. La nostra didattica basata su progetti ti consente di imparare costruendo, un metodo comprovato per fissare nuove competenze. -**✍️ Sentiti ringraziamenti ai nostri autori** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd +**✍️ Un sentito ringraziamento ai nostri autori** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd **🎨 Grazie anche ai nostri illustratori** Tomomi Imura, Dasani Madipalli e Jen Looper -**🙏 Un ringraziamento speciale 🙏 ai nostri Microsoft Student Ambassador autori, revisori e collaboratori di contenuti**, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal +**🙏 Un ringraziamento speciale 🙏 ai nostri Microsoft Student Ambassador autori, revisori e contributori di contenuti**, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal -**🤩 Gratitudine extra agli Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni di R!** +**🤩 Ulteriore gratitudine ai Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni R!** # Iniziare Segui questi passaggi: -1. **Fork del repository**: Fai clic sul pulsante "Fork" nell’angolo in alto a destra di questa pagina. -2. **Clona il repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +1. **Forka il Repository**: clicca sul pulsante "Fork" in alto a destra in questa pagina. +2. **Clona il Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [trova tutte le risorse aggiuntive per questo corso nella nostra raccolta Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **Hai bisogno di aiuto?** Consulta la nostra [Guida alla risoluzione dei problemi](TROUBLESHOOTING.md) per soluzioni ai problemi comuni con l’installazione, la configurazione e l’esecuzione delle lezioni. +> 🔧 **Hai bisogno di aiuto?** Consulta la nostra [Guida alla Risoluzione dei Problemi](TROUBLESHOOTING.md) per soluzioni ai problemi comuni di installazione, configurazione e utilizzo delle lezioni. -**[Studenti](https://aka.ms/student-page)**, per usare questo curriculum, fai il fork dell’intero repository sul tuo account GitHub e completa gli esercizi da solo o in gruppo: +**[Studenti](https://aka.ms/student-page)**, per utilizzare questo curriculum, fate un fork dell’intero repo sul vostro account GitHub e completate gli esercizi da soli o in gruppo: -- Inizia con un quiz pre-lezione. -- Leggi la lezione e completa le attività, facendo pause e riflettendo a ogni verifica di conoscenza. -- Prova a realizzare i progetti comprendendo le lezioni piuttosto che eseguendo direttamente il codice di soluzione; comunque quel codice è disponibile nelle cartelle `/solution` di ogni lezione basata su progetto. -- Fai il quiz post-lezione. -- Completa la sfida. -- Completa il compito. -- Dopo aver completato un gruppo di lezioni, visita il [Forum di discussione](https://github.com/microsoft/ML-For-Beginners/discussions) e “impara ad alta voce” compilando la rubrica PAT appropriata. Un 'PAT' è uno strumento di valutazione dei progressi che consiste in una rubrica da compilare per approfondire l’apprendimento. Puoi anche reagire ad altri PAT così da imparare insieme. +- Iniziate con un quiz pre-lezione. +- Leggete la lezione e completate le attività, facendo pause e riflettendo a ogni controllo del sapere. +- Provate a creare i progetti comprendendo le lezioni, anziché eseguire il codice soluzione; comunque quel codice è disponibile nelle cartelle `/solution` di ogni lezione orientata al progetto. +- Fate il quiz post-lezione. +- Completate la sfida. +- Completate il compito. +- Dopo aver completato un gruppo di lezioni, visitate il [Forum di Discussione](https://github.com/microsoft/ML-For-Beginners/discussions) e "imparate ad alta voce" compilando la rubrica PAT appropriata. Un 'PAT' è uno Strumento di Valutazione dei Progressi, una rubrica che compilate per approfondire il vostro apprendimento. Potete anche reagire ad altri PAT così possiamo imparare insieme. -> Per uno studio ulteriore, consigliamo di seguire questi moduli e percorsi di apprendimento di [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). +> Per approfondire, consigliamo di seguire questi moduli e percorsi didattici di [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). -**Insegnanti**, abbiamo [incluso alcune indicazioni](for-teachers.md) su come usare questo curriculum. +**Insegnanti**, abbiamo [incluso alcuni suggerimenti](for-teachers.md) su come utilizzare questo curriculum. --- -## Video esplicativi +## Video walkthrough -Alcune lezioni sono disponibili come video brevi. Puoi trovarli tutti all’interno delle lezioni o sulla [playlist ML for Beginners del canale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) cliccando l’immagine sottostante. +Alcune lezioni sono disponibili come video brevi. Puoi trovarli tutti in linea nelle lezioni o nella [playlist ML for Beginners sul canale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) cliccando sull’immagine sotto. -[![Banner ML per principianti](../../translated_images/it/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) +[![ML for beginners banner](../../translated_images/it/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- -## Incontra il team +## Incontra il Team -[![Video promozionale](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) +[![Promo video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) **Gif di** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) @@ -107,70 +107,71 @@ Alcune lezioni sono disponibili come video brevi. Puoi trovarli tutti all’inte ## Pedagogia -Abbiamo scelto due principi pedagogici nella creazione di questo curriculum: garantire che sia pratico e **basato su progetti** e che includa **quiz frequenti**. Inoltre, questo curriculum ha un **tema** comune per conferirgli coesione. +Abbiamo scelto due principi pedagogici nel costruire questo curriculum: garantire che sia pratico e **basato su progetti**, e che includa **quiz frequenti**. Inoltre, questo curriculum ha un **tema** comune per dargli coesione. -Garantendo che il contenuto sia allineato con i progetti, il processo diventa più coinvolgente per gli studenti e la ritenzione dei concetti sarà migliorata. Inoltre, un quiz a bassa posta in gioco prima di una lezione indirizza lo studente verso l’apprendimento di un argomento, mentre un secondo quiz dopo la lezione assicura una maggiore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito interamente o parzialmente. I progetti iniziano semplici e diventano progressivamente più complessi entro la fine del ciclo di 12 settimane. Questo curriculum include anche un post scriptum sulle applicazioni reali del ML, che può essere usato come credito extra o come base per una discussione. +Garantendo che il contenuto sia allineato ai progetti, il processo diventa più coinvolgente per gli studenti e la ritenzione dei concetti è aumentata. Inoltre, un quiz a bassa pressione prima della lezione prepara l’intenzione dello studente ad apprendere un argomento, mentre un secondo quiz dopo la lezione assicura una maggiore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito interamente o parzialmente. I progetti partono da semplici e diventano progressivamente più complessi entro la fine del ciclo di 12 settimane. Il curriculum include anche un postscript sulle applicazioni reali del ML, utilizzabile come credito extra o come base per la discussione. -> Trova il nostro [Codice di Condotta](CODE_OF_CONDUCT.md), le linee guida per [Contribuire](CONTRIBUTING.md), [Traduzioni](..) e [Risoluzione Problemi](TROUBLESHOOTING.md). Accogliamo con piacere i tuoi feedback costruttivi! +> Trova il nostro [Codice di Condotta](CODE_OF_CONDUCT.md), le linee guida per la [Contribuzione](CONTRIBUTING.md), le [Traduzioni](..) e la [Risoluzione dei Problemi](TROUBLESHOOTING.md). Accogliamo con favore il tuo feedback costruttivo! ## Ogni lezione include - sketchnote opzionale - video supplementare opzionale -- video esplicativo (solo alcune lezioni) +- video walkthrough (solo alcune lezioni) - [quiz di riscaldamento pre-lezione](https://ff-quizzes.netlify.app/en/ml/) - lezione scritta -- per lezioni basate su progetti, guide passo passo su come costruire il progetto -- verifiche di conoscenza +- per le lezioni basate su progetto, guide passo-passo su come costruire il progetto +- controlli della conoscenza - una sfida -- lettura supplementare +- letture supplementari - compito - [quiz post-lezione](https://ff-quizzes.netlify.app/en/ml/) -> **Una nota sulle lingue**: Queste lezioni sono principalmente scritte in Python, ma molte sono anche disponibili in R. Per completare una lezione in R, vai nella cartella `/solution` e cerca le lezioni in R. Includono un’estensione .rmd che rappresenta un file **R Markdown**, definibile semplicemente come un’inclusione di `code chunks` (di R o altre lingue) e un `YAML header` (che guida il formato degli output come PDF) in un `documento Markdown`. Come tale, serve come un eccellente framework per la scrittura per la data science in quanto ti permette di combinare il tuo codice, il suo output e i tuoi pensieri scrivendoli in Markdown. Inoltre, i documenti R Markdown possono essere resi in formati di output come PDF, HTML o Word. - -> **Una nota sui quiz**: Tutti i quiz sono contenuti nella cartella [Quiz App folder](../../quiz-app), per un totale di 52 quiz composti da tre domande ciascuno. Sono collegati all’interno delle lezioni, ma l’app del quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitare localmente o distribuire su Azure. - -| Numero Lezione | Argomento | Raggruppamento Lezione | Obiettivi di Apprendimento | Lezione Collegata | Autore | -| :------------: | :--------------------------------------------------------------: | :--------------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------- | :-----------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------: | -| 01 | Introduzione al machine learning | [Introduzione](1-Introduction/README.md) | Impara i concetti base dietro al machine learning | [Lezione](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | La storia del machine learning | [Introduzione](1-Introduction/README.md) | Impara la storia alla base di questo campo | [Lezione](1-Introduction/2-history-of-ML/README.md) | Jen e Amy | -| 03 | Equità e machine learning | [Introduzione](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche sull’equità che gli studenti dovrebbero considerare quando costruiscono e applicano modelli ML? | [Lezione](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | Tecniche per il machine learning | [Introduzione](1-Introduction/README.md) | Quali tecniche usano i ricercatori ML per costruire modelli ML? | [Lezione](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen | -| 05 | Introduzione alla regressione | [Regressione](2-Regression/README.md) | Inizia con Python e Scikit-learn per modelli di regressione | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | Prezzi delle zucche del Nord America 🎃 | [Regressione](2-Regression/README.md) | Visualizza e pulisci dati in preparazione per ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | Prezzi delle zucche del Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruisci modelli di regressione lineare e polinomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen e Dmitry • Eric Wanjau | -| 08 | Prezzi delle zucche del Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruisci un modello di regressione logistica | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | Un'app Web 🔌 | [Web App](3-Web-App/README.md) | Costruisci un’app web per utilizzare il modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | Introduzione alla classificazione | [Classificazione](4-Classification/README.md) | Pulisci, prepara e visualizza i dati; introduzione alla classificazione | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen e Cassie • Eric Wanjau | -| 11 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Introduzione ai classificatori | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen e Cassie • Eric Wanjau | -| 12 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Altri classificatori | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen e Cassie • Eric Wanjau | -| 13 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Costruisci un’app web recommender usando il tuo modello | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | Introduzione al clustering | [Clustering](5-Clustering/README.md) | Pulisci, prepara e visualizza i dati; introduzione al clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | Esplorando i gusti musicali nigeriani 🎧 | [Clustering](5-Clustering/README.md) | Esplora il metodo di clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | Introduzione al natural language processing ☕️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Impara le basi del NLP costruendo un semplice bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | Compiti comuni di NLP ☕️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Approfondisci la conoscenza del NLP comprendendo i compiti comuni richiesti quando si tratta di strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | Traduzione e analisi del sentiment ♥️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Traduzione e analisi del sentiment con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | Hotel romantici in Europa ♥️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | Hotel romantici in Europa ♥️ | [Elaborazione del linguaggio naturale](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | Introduzione alle previsioni su serie temporali | [Serie temporali](7-TimeSeries/README.md) | Introduzione alla previsione di serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ Consumo energetico mondiale ⚡️ - previsione serie temporali con ARIMA | [Serie temporali](7-TimeSeries/README.md) | Previsione su serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ Consumo energetico mondiale ⚡️ - previsione serie temporali con SVR | [Serie temporali](7-TimeSeries/README.md) | Previsione su serie temporali con Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | Introduzione al reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introduzione al reinforcement learning con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Aiuta Peter a evitare il lupo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postfazione | Scenari e applicazioni reali del ML | [ML in the Wild](9-Real-World/README.md) | Interessanti e rivelatrici applicazioni reali del ML classico | [Lezione](9-Real-World/1-Applications/README.md) | Team | -| Postfazione | Debugging di modelli ML con dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Debugging di modelli ML usando componenti dashboard di Responsible AI | [Lezione](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [trova tutte le risorse aggiuntive per questo corso nella nostra collezione Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> **Una nota sulle lingue**: Queste lezioni sono principalmente scritte in Python, ma molte sono disponibili anche in R. Per completare una lezione in R, vai alla cartella `/solution` e cerca le lezioni in R. Includono un'estensione .rmd che rappresenta un file **R Markdown**, che può essere semplicemente definito come un'incorporazione di `blocchi di codice` (in R o altre lingue) e un `intestazione YAML` (che guida come formattare le uscite come PDF) in un `documento Markdown`. Come tale, serve come un eccellente framework di scrittura per la scienza dei dati poiché ti permette di combinare il codice, il suo output e i tuoi pensieri consentendoti di scriverli in Markdown. Inoltre, i documenti R Markdown possono essere renderizzati in formati di output come PDF, HTML o Word. + +> **Una nota sui quiz**: Tutti i quiz sono contenuti nella [cartella Quiz App](../../quiz-app), per un totale di 52 quiz con tre domande ciascuno. Sono collegati all'interno delle lezioni ma l'app quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitare localmente o distribuire su Azure. + +| Numero Lezione | Argomento | Raggruppamento Lezione | Obiettivi di Apprendimento | Lezione Collegata | Autore | +| :------------: | :-----------------------------------------------------------------: | :---------------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------ | :-----------------------------------------------------------------------------------------------------------------------------------------: | :----------------------------------------------: | +| 01 | Introduzione al machine learning | [Introduzione](1-Introduction/README.md) | Impara i concetti di base alla base del machine learning | [Lezione](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | La Storia del machine learning | [Introduzione](1-Introduction/README.md) | Impara la storia che sta alla base di questo campo | [Lezione](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | Equità e machine learning | [Introduzione](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche sull'equità che gli studenti dovrebbero considerare quando costruiscono e applicano modelli ML? | [Lezione](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | Tecniche per il machine learning | [Introduzione](1-Introduction/README.md) | Quali tecniche usano i ricercatori ML per costruire modelli ML? | [Lezione](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | +| 05 | Introduzione alla regressione | [Regressione](2-Regression/README.md) | Inizia con Python e Scikit-learn per modelli di regressione | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | Prezzi delle zucche in Nord America 🎃 | [Regressione](2-Regression/README.md) | Visualizza e pulisci i dati in preparazione per il ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | Prezzi delle zucche in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruisci modelli di regressione lineare e polinomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | Prezzi delle zucche in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruisci un modello di regressione logistica | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | Una Web App 🔌 | [Web App](3-Web-App/README.md) | Costruisci una web app per utilizzare il tuo modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | Introduzione alla classificazione | [Classificazione](4-Classification/README.md) | Pulisci, prepara e visualizza i tuoi dati; introduzione alla classificazione | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | +| 11 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Introduzione ai classificatori | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau | +| 12 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Altri classificatori | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau | +| 13 | Deliziose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Costruisci una web app di raccomandazione usando il tuo modello | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Introduzione al clustering | [Clustering](5-Clustering/README.md) | Pulisci, prepara e visualizza i tuoi dati; introduzione al clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | Esplorando i gusti musicali nigeriani 🎧 | [Clustering](5-Clustering/README.md) | Esplora il metodo di clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | Introduzione al natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Impara i concetti base della NLP costruendo un bot semplice | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | Compiti comuni NLP ☕️ | [Natural language processing](6-NLP/README.md) | Approfondisci la tua conoscenza della NLP comprendendo i compiti comuni richiesti quando si lavora con strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | Traduzione e analisi del sentiment ♥️ | [Natural language processing](6-NLP/README.md) | Traduzione e analisi del sentimento con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | Hotel romantici d’Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | Hotel romantici d’Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | Introduzione alla previsione di serie temporali | [Serie temporali](7-TimeSeries/README.md) | Introduzione alla previsione di serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ Consumo Energetico Mondiale ⚡️ - previsione con ARIMA | [Serie temporali](7-TimeSeries/README.md) | Previsione di serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ Consumo Energetico Mondiale ⚡️ - previsione con SVR | [Serie temporali](7-TimeSeries/README.md) | Previsione di serie temporali con Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | Introduzione al reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introduzione al reinforcement learning con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | Aiuta Peter a evitare il lupo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Postfazione | Scenari e applicazioni reali di ML | [ML in the Wild](9-Real-World/README.md) | Applicazioni reali interessanti e rivelatrici del ML classico | [Lezione](9-Real-World/1-Applications/README.md) | Team | +| Postfazione | Debugging di modelli ML usando il cruscotto RAI | [ML in the Wild](9-Real-World/README.md) | Debugging di modelli di machine learning usando i componenti del cruscotto Responsible AI | [Lezione](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [trova tutte le risorse aggiuntive per questo corso nella nostra raccolta Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Accesso offline -Puoi eseguire questa documentazione offline usando [Docsify](https://docsify.js.org/#/). Fai un fork di questo repo, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, e poi nella cartella radice di questo repo, digita `docsify serve`. Il sito web sarà servito sulla porta 3000 sul tuo localhost: `localhost:3000`. +Puoi eseguire questa documentazione offline usando [Docsify](https://docsify.js.org/#/). Fai fork di questo repo, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, quindi nella cartella principale di questo repo digita `docsify serve`. Il sito web sarà servito sulla porta 3000 del tuo localhost: `localhost:3000`. ## PDF -Trova un pdf del curriculum con link [qui](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). +Trova un pdf del curriculum con i link [qui](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). + -## 🎒 Altri corsi +## 🎒 Altri corsi Il nostro team produce altri corsi! Dai un’occhiata: @@ -189,7 +190,7 @@ Il nostro team produce altri corsi! Dai un’occhiata: --- -### Serie AI Generativa +### Serie di AI Generativa [![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) @@ -197,7 +198,7 @@ Il nostro team produce altri corsi! Dai un’occhiata: --- -### Apprendimento di base +### Apprendimento Base [![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) @@ -214,24 +215,35 @@ Il nostro team produce altri corsi! Dai un’occhiata: [![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## Ottenere aiuto +## Ottenere Aiuto -Se rimani bloccato o hai domande sulla creazione di app AI. Unisciti ad altri studenti e sviluppatori esperti nelle discussioni su MCP. È una comunità di supporto dove le domande sono benvenute e la conoscenza viene condivisa liberamente. +Se ti blocchi o hai domande mentre impari il Machine Learning o costruisci applicazioni AI, non preoccuparti — l’aiuto è disponibile. -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +Puoi partecipare alle discussioni con altri studenti e sviluppatori, fare domande e condividere le tue idee con la comunità. + +- Partecipa alla comunità per fare domande e imparare con gli altri +- Discuti concetti di Machine Learning e idee per progetti +- Ricevi indicazioni da sviluppatori esperti -Se hai feedback sul prodotto o errori durante la creazione visita: +Una comunità di supporto è un ottimo modo per migliorare le tue competenze e risolvere i problemi più rapidamente. + +[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG) + +Se riscontri bug, errori o hai suggerimenti per miglioramenti, puoi anche aprire un **Issue** in questo repository per segnalare il problema. + +Per feedback sul prodotto o per cercare post esistenti nella community, visita il Forum degli Sviluppatori: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -## Consigli aggiuntivi per l'apprendimento + +## Ulteriori Consigli per l’Apprendimento - Rivedi i notebook dopo ogni lezione per una migliore comprensione. -- Pratica l'implementazione degli algoritmi da solo. +- Esercitati a implementare algoritmi per conto tuo. - Esplora set di dati reali utilizzando i concetti appresi. --- -**Disclaimer**: -Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per l’accuratezza, si prega di essere consapevoli che le traduzioni automatiche possono contenere errori o inesattezze. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale umana. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall’uso di questa traduzione. +**Disclaimer**: +Questo documento è stato tradotto utilizzando il servizio di traduzione AI [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci impegniamo per l’accuratezza, si prega di notare che le traduzioni automatizzate possono contenere errori o inesattezze. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale umana. Non siamo responsabili per eventuali malintesi o interpretazioni errate derivanti dall’uso di questa traduzione. \ No newline at end of file diff --git a/translations/pl/.co-op-translator.json b/translations/pl/.co-op-translator.json index 1bc1e7ae3..7f35c2146 100644 --- a/translations/pl/.co-op-translator.json +++ b/translations/pl/.co-op-translator.json @@ -90,8 +90,8 @@ "language_code": "pl" }, "2-Regression/3-Linear/README.md": { - "original_hash": "9a8359f1945bd3beccccb2b46592580e", - "translation_date": "2026-02-28T08:52:16+00:00", + "original_hash": "26c53a922f1f1e8542b0ea41ff52221a", + "translation_date": "2026-04-20T17:30:20+00:00", "source_file": "2-Regression/3-Linear/README.md", "language_code": "pl" }, @@ -168,8 +168,8 @@ "language_code": "pl" }, "4-Classification/2-Classifiers-1/README.md": { - "original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b", - "translation_date": "2025-09-05T08:24:25+00:00", + "original_hash": "cb761595e5b6c42b99bb81bd13683311", + "translation_date": "2026-04-20T17:31:37+00:00", "source_file": "4-Classification/2-Classifiers-1/README.md", "language_code": "pl" }, @@ -552,8 +552,8 @@ "language_code": "pl" }, "README.md": { - "original_hash": "7fb48097f57e680b380cd9aae988d317", - "translation_date": "2026-04-06T16:43:43+00:00", + "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", + "translation_date": "2026-04-20T17:28:40+00:00", "source_file": "README.md", "language_code": "pl" }, diff --git a/translations/pl/2-Regression/3-Linear/README.md b/translations/pl/2-Regression/3-Linear/README.md index 079b47bb9..19cf0769b 100644 --- a/translations/pl/2-Regression/3-Linear/README.md +++ b/translations/pl/2-Regression/3-Linear/README.md @@ -1,136 +1,136 @@ -# Budowanie modelu regresji za pomocą Scikit-learn: regresja na cztery sposoby +# Zbuduj model regresji za pomocą Scikit-learn: regresja na cztery sposoby ## Notatka dla początkujących -Regresja liniowa jest używana, gdy chcemy przewidzieć **wartość liczbową** (na przykład cenę domu, temperaturę lub sprzedaż). -Działa przez znalezienie prostej, która najlepiej reprezentuje związek między cechami wejściowymi a wynikiem. +Regresja liniowa jest stosowana, gdy chcemy przewidzieć **wartość numeryczną** (na przykład cenę domu, temperaturę lub sprzedaż). +Działa poprzez znalezienie prostej linii, która najlepiej reprezentuje zależność między cechami wejściowymi a wyjściem. -W tej lekcji skupiamy się na zrozumieniu koncepcji przed eksploracją bardziej zaawansowanych technik regresji. -![Infografika regresji liniowej vs wielomianowej](../../../../translated_images/pl/linear-polynomial.5523c7cb6576ccab.webp) -> Infografika autorstwa [Dasani Madipalli](https://twitter.com/dasani_decoded) -## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ml/) +W tej lekcji skupiamy się na zrozumieniu koncepcji, zanim przejdziemy do bardziej zaawansowanych technik regresji. +![Infografika regresji liniowej vs. wielomianowej](../../../../translated_images/pl/linear-polynomial.5523c7cb6576ccab.webp) +> Infografika autorstwa [Dasani Madipalli](https://twitter.com/dasani_decoded) +## [Quiz przedwykładowy](https://ff-quizzes.netlify.app/en/ml/) -> ### [Ta lekcja jest dostępna w R!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) +> ### [Ta lekcja jest dostępna w R!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) ### Wprowadzenie -Dotychczas zapoznawałeś się z pojęciem regresji na przykładowych danych z zestawu danych o cenach dyni, które wykorzystamy w całej tej lekcji. Wizualizowałeś je również za pomocą Matplotlib. +Do tej pory poznaliście, czym jest regresja na podstawie przykładowych danych z zestawu danych dotyczącego cen dyni, które będziemy wykorzystywać w trakcie tej lekcji. Wizualizowaliście je także za pomocą Matplotlib. -Teraz jesteś gotów, aby zagłębić się bardziej w regresję w ML. Podczas gdy wizualizacja pozwala zrozumieć dane, prawdziwa moc uczenia maszynowego pochodzi z _treningu modeli_. Modele uczą się na danych historycznych, aby automatycznie uchwycić zależności w danych i pozwalają przewidywać wyniki dla nowych danych, których model wcześniej nie widział. +Teraz jesteście gotowi, by zagłębić się bardziej w regresję dla ML. Podczas gdy wizualizacja pozwala zrozumieć dane, prawdziwa siła uczenia maszynowego pochodzi z _trenowania modeli_. Modele są trenowane na danych historycznych, aby automatycznie wychwytywać zależności w danych i umożliwiają przewidywanie wyników dla nowych danych, których model wcześniej nie widział. -W tej lekcji poznasz dwa rodzaje regresji: _podstawową regresję liniową_ oraz _regresję wielomianową_, wraz z niektórymi aspektami matematycznymi tych technik. Te modele pozwolą nam przewidywać ceny dyni w zależności od różnych danych wejściowych. +W tej lekcji dowiecie się więcej o dwóch rodzajach regresji: _podstawowej regresji liniowej_ i _regresji wielomianowej_, wraz z wyjaśnieniem matematyki stojącej za tymi technikami. Te modele pozwolą nam przewidzieć ceny dyni w zależności od różnych danych wejściowych. [![ML dla początkujących - Zrozumienie regresji liniowej](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "ML dla początkujących - Zrozumienie regresji liniowej") -> 🎥 Kliknij powyższy obraz, aby obejrzeć krótki film wprowadzający do regresji liniowej. +> 🎥 Kliknij powyższy obrazek, aby obejrzeć krótki przegląd regresji liniowej. -> W całym tym kursie zakładamy minimalną znajomość matematyki i staramy się uczynić ją dostępną dla studentów z innych dziedzin, więc zwracaj uwagę na notatki, 🧮 wskazówki, diagramy i inne narzędzia wspierające naukę. +> W całym tym kursie zakładamy minimalną znajomość matematyki i staramy się uczynić ją dostępną dla uczniów z innych dziedzin, więc zwracaj uwagę na notatki, 🧮 wzmianki, diagramy i inne narzędzia wspomagające naukę. ### Wymagania wstępne -Powinieneś już znać strukturę danych o dyniach, które badamy. Możesz je znaleźć wstępnie załadowane i wstępnie oczyszczone w pliku _notebook.ipynb_ dołączonym do tej lekcji. W pliku cena dyni podawana jest na buszel w nowej ramce danych. Upewnij się, że potrafisz uruchamiać te notatniki w środowisku Visual Studio Code. +Powinieneś już znać strukturę danych dotyczących dyni, które badamy. Możesz je znaleźć wstępnie załadowane i wyczyszczone w pliku _notebook.ipynb_ towarzyszącym tej lekcji. W tym pliku cena dyni jest wyświetlana za korzec w nowej ramce danych. Upewnij się, że potrafisz uruchomić te notatniki w kernelach w Visual Studio Code. ### Przygotowanie -Przypominamy, że ładujesz te dane, aby móc zadawać pytania dotyczące tych danych. +Dla przypomnienia, ładujesz te dane, aby móc zadawać im pytania. -- Kiedy jest najlepszy czas na zakup dyni? -- Jaka cena może być oczekiwana za skrzynkę miniaturek? -- Czy powinienem je kupować w połowie buszlowych koszyków czy w kartonie 1 1/9 buszla? -Zanurzmy się głębiej w dane. +- Kiedy jest najlepszy czas na kupno dyni? +- Jakiej ceny mogę oczekiwać za skrzynkę miniaturowych dyń? +- Czy powinienem kupić je w półkorcowych koszach czy w pudełku o pojemności 1 1/9 korca? +Zanurzmy się dalej w te dane. -W poprzedniej lekcji utworzyłeś ramkę danych Pandas i wypełniłeś ją częścią oryginalnego zestawu danych, standaryzując ceny na buszel. Jednak w ten sposób zebrałeś około 400 punktów danych i tylko za miesiące jesienne. +W poprzedniej lekcji stworzyłeś ramkę danych Pandas i wypełniłeś ją częścią oryginalnego zestawu danych, standaryzując ceny za korzec. Zrobienie tego pozwoliło zebrać około 400 punktów danych tylko dla miesięcy jesiennych. -Spójrz na dane, które wstępnie załadowaliśmy w notatniku towarzyszącym tej lekcji. Dane są już wczytane, a na początek wykreślony jest wykres punktowy pokazujący dane miesięczne. Może uzyskamy trochę więcej szczegółów o charakterze danych, dodatkowo je oczyszczając. +Spójrz na dane, które wstępnie załadowaliśmy w notatniku towarzyszącym tej lekcji. Dane są już załadowane, a na wykresie rozrzutu wstępnie pokazano dane miesięczne. Być może możemy uzyskać trochę więcej szczegółów o naturze danych, oczyszczając je bardziej. ## Linia regresji liniowej -Jak nauczyłeś się w Lekcji 1, celem ćwiczenia z regresji liniowej jest wyrysowanie linii, która: +Jak nauczyliście się w Lekcji 1, celem regresji liniowej jest stworzenie linii, która: -- **Pokazuje zależności między zmiennymi.** Pokazuje relację między zmiennymi. -- **Umożliwia przewidywania.** Dokonuje dokładnych przewidywań, gdzie nowy punkt danych pojawi się względem tej linii. +- **Pokaże zależności między zmiennymi**. +- **Pozwoli na dokonywanie predykcji** nowych punktów danych względem tej linii. -Typowo w **regresji najmniejszych kwadratów** rysuje się taki typ linii. Termin "najmniejszych kwadratów" odnosi się do procesu minimalizacji całkowitego błędu w modelu. Dla każdego punktu danych mierzymy pionową odległość (zwaną resztą) pomiędzy rzeczywistym punktem a naszą linią regresji. +Typowo dla **Metody najmniejszych kwadratów** rysowana jest właśnie taka linia. Termin "Najmniejszych kwadratów" odnosi się do procesu minimalizowania całkowitego błędu naszego modelu. Dla każdego punktu danych mierzymy pionową odległość (zwaną resztą) pomiędzy rzeczywistym punktem a naszą linią regresji. -Kwadratujemy te odległości z dwóch głównych powodów: +Te odległości kwadratujemy z dwóch głównych powodów: -1. **Wielkość ponad kierunkiem:** Chcemy traktować błąd -5 tak samo jak +5. Potęgowanie do kwadratu sprawia, że wszystkie wartości są dodatnie. +1. **Wielkość ważniejsza od kierunku:** Chcemy traktować błąd -5 tak samo jak błąd +5. Kwadrat zamienia wszystkie wartości na dodatnie. -2. **Kara dla wartości odstających:** Kwadraty nadają większą wagę większym błędom, zmuszając linię do pozostania bliżej punktów daleko oddalonych. +2. **Karanie wartości odstających:** Kwadratowanie nadaje większą wagę większym błędom, zmuszając linię do bycia bliżej punktów odstających. -Następnie sumujemy wszystkie te kwadratowe wartości. Naszym celem jest znalezienie takiej linii, dla której ta suma jest najmniejsza (najmniejsza możliwa wartość)—stąd nazwa "najmniejszych kwadratów". +Następnie sumujemy wszystkie te kwadraty. Naszym celem jest znalezienie właśnie takiej linii, dla której ta suma jest najmniejsza — stąd nazwa "Najmniejszych kwadratów". -> **🧮 Pokaż mi matematykę** -> -> Ta linia, zwana _linią najlepszego dopasowania_, może być wyrażona wzorem: -> +> **🧮 Pokaż mi matematykę** +> +> Ta linia, zwana _linią najlepszego dopasowania_, może być wyrażona za pomocą [równania](https://en.wikipedia.org/wiki/Simple_linear_regression): +> > ``` > Y = a + bX > ``` -> -> `X` to "zmienna wyjaśniająca". `Y` to "zmienna zależna". Nachylenie linii to `b`, a `a` to wyraz wolny, czyli wartość `Y` gdy `X = 0`. -> ->![obliczanie nachylenia](../../../../translated_images/pl/slope.f3c9d5910ddbfcf9.webp) -> -> Najpierw obliczamy nachylenie `b`. Infografika [Jen Looper](https://twitter.com/jenlooper) -> -> Innymi słowy, nawiązując do pytania z danych o dyniach: "przewidzieć cenę dyni za buszel w zależności od miesiąca", `X` odnosi się do ceny, a `Y` do miesiąca sprzedaży. -> ->![dokończ równanie](../../../../translated_images/pl/calculation.a209813050a1ddb1.webp) -> -> Oblicz wartość Y. Jeśli płacisz około 4 dolarów, musi być kwiecień! Infografika [Jen Looper](https://twitter.com/jenlooper) -> -> Matematyka obliczająca linię musi uwzględniać nachylenie linii, które jest zależne także od wyrazu wolnego, czyli miejsca przecięcia osi `Y` dla `X = 0`. -> -> Metodę obliczenia tych wartości możesz zobaczyć na stronie [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Odwiedź też [kalkulator najmniejszych kwadratów](https://www.mathsisfun.com/data/least-squares-calculator.html), by zobaczyć, jak wartości liczb wpływają na linię. +> +> `X` to 'zmienna objaśniająca'. `Y` to 'zmienna zależna'. Nachylenie linii to `b`, a `a` to punkt przecięcia z osią Y, czyli wartość `Y` gdy `X = 0`. +> +>![obliczanie nachylenia](../../../../translated_images/pl/slope.f3c9d5910ddbfcf9.webp) +> +> Najpierw obliczamy nachylenie `b`. Infografika autorstwa [Jen Looper](https://twitter.com/jenlooper) +> +> Innymi słowy, odnosząc się do naszego oryginalnego pytania o dynie: "przewidzieć cenę dyni za korzec w zależności od miesiąca", `X` będzie odpowiadać cenie, a `Y` będzie odpowiadać miesiącowi sprzedaży. +> +>![uzupełnij równanie](../../../../translated_images/pl/calculation.a209813050a1ddb1.webp) +> +> Oblicz wartość Y. Jeśli płacisz około 4 dolarów, musi to być kwiecień! Infografika autorstwa [Jen Looper](https://twitter.com/jenlooper) +> +> Matematyka obliczająca linię musi uwzględniać nachylenie, które zależy też od punktu przecięcia, czyli wartości `Y` gdy `X = 0`. +> +> Możesz zobaczyć metodę obliczania tych wartości na stronie [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html). Odwiedź także [Ten kalkulator najmniejszych kwadratów](https://www.mathsisfun.com/data/least-squares-calculator.html), aby zobaczyć, jak wartości liczb wpływają na linię. ## Korelacja -Jeszcze jeden termin, który warto zrozumieć, to **współczynnik korelacji** między zmiennymi X i Y. Za pomocą wykresu punktowego możesz szybko zwizualizować ten współczynnik. Wykres z punktami ułożonymi blisko linii ma wysoką korelację, ale wykres z punktami rozrzuconymi wszędzie ma niską korelację. +Jeszcze jedno pojęcie, które warto poznać, to **współczynnik korelacji** między danymi zmiennymi X i Y. Korzystając z wykresu rozrzutu, można szybko zwizualizować ten współczynnik. Wykres z punktami ułożonymi w porządną linię ma wysoką korelację, natomiast wykres, gdzie punkty są rozrzucone wszędzie pomiędzy X i Y, ma niską korelację. -Dobry model regresji liniowej to taki, którego współczynnik korelacji jest wysoki (bliższy 1 niż 0), używając metody regresji najmniejszych kwadratów z linią regresji. +Dobry model regresji liniowej będzie miał wysoki (bliższy 1 niż 0) współczynnik korelacji wyznaczony metodą najmniejszych kwadratów z linią regresji. -✅ Uruchom notatnik towarzyszący tej lekcji i spójrz na wykres rozwieślny Miesiąc vs Cena. Czy dane łączące Miesiąc z Ceną dla sprzedaży dyni wydają się mieć wysoką czy niską korelację, według twojej wizualnej interpretacji wykresu? Czy zmienia się to, jeśli zamiast `Miesiąca` użyjesz dokładniejszej miary, np. *dnia roku* (liczba dni od początku roku)? +✅ Uruchom notatnik dołączony do tej lekcji i spójrz na wykres rozrzutu Miesiąc a Cena. Czy dane łączące miesiąc z ceną sprzedaży dyni mają wysoką czy niską korelację według Twojej wizualnej interpretacji wykresu rozrzutu? Czy to się zmienia, jeśli użyjesz bardziej szczegółowej miary niż `Miesiąc`, np. *dzień roku* (liczba dni od początku roku)? -W poniższym kodzie założymy, że dane zostały już oczyszczone i uzyskano ramkę danych `new_pumpkins` podobną do poniższej: +W poniższym kodzie założymy, że wyczyściliśmy dane i uzyskaliśmy ramkę danych o nazwie `new_pumpkins`, podobną do poniższej: -ID | Month | DayOfYear | Variety | City | Package | Low Price | High Price | Price ----|-------|-----------|---------|------|---------|-----------|------------|------- -70 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 -71 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 -72 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 -73 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 17.0 | 17.0 | 15.454545 -74 | 10 | 281 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 +ID | Month | DayOfYear | Variety | City | Package | Low Price | High Price | Price +---|-------|-----------|---------|------|---------|-----------|------------|------- +70 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 +71 | 9 | 267 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 +72 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 18.0 | 18.0 | 16.363636 +73 | 10 | 274 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 17.0 | 17.0 | 15.454545 +74 | 10 | 281 | PIE TYPE | BALTIMORE | 1 1/9 bushel cartons | 15.0 | 15.0 | 13.636364 -> Kod do oczyszczenia danych jest dostępny w [`notebook.ipynb`](notebook.ipynb). Wykonaliśmy te same kroki oczyszczenia co w poprzedniej lekcji i wyliczyliśmy kolumnę `DayOfYear` następującym wyrażeniem: +> Kod do oczyszczenia danych jest dostępny w [`notebook.ipynb`](notebook.ipynb). Wykonaliśmy te same kroki czyszczenia, co w poprzedniej lekcji, i obliczyliśmy kolumnę `DayOfYear` według następującego wyrażenia: ```python day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt.year,1,1)).days) ``` - -Teraz, gdy rozumiemy matematykę stojącą za regresją liniową, stwórzmy model regresji, aby sprawdzić, czy jesteśmy w stanie przewidzieć, który pakiet dyni przyniesie najlepsze ceny. Ktoś kupujący dynie na sezonową dekorację może chcieć mieć tę informację, aby zoptymalizować zakup. + +Teraz, gdy rozumiesz matematykę stojącą za regresją liniową, stwórzmy model regresji, aby sprawdzić, czy potrafimy przewidzieć, która paczka dyń będzie miała najlepsze ceny. Ktoś kupujący dynie na świąteczną plantację może chcieć tych informacji, by zoptymalizować swoje zakupy paczek dyń na plantację. ## Szukanie korelacji [![ML dla początkujących - Szukanie korelacji: klucz do regresji liniowej](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "ML dla początkujących - Szukanie korelacji: klucz do regresji liniowej") -> 🎥 Kliknij powyższy obraz, aby obejrzeć krótki film wprowadzający do korelacji. +> 🎥 Kliknij powyższy obrazek, aby zobaczyć krótki przegląd korelacji. -Z poprzedniej lekcji prawdopodobnie widziałeś, że średnie ceny dla różnych miesięcy wyglądają tak: +Z poprzedniej lekcji prawdopodobnie widziałeś, że średnia cena dla różnych miesięcy wygląda tak: -Średnia cena według miesiąca +Średnia cena wg miesiąca -Sugeruje to, że powinna istnieć jakaś korelacja i możemy spróbować wytrenować model regresji liniowej, aby przewidzieć związek między `Month` a `Price` lub między `DayOfYear` a `Price`. Oto wykres punktowy pokazujący tę drugą relację: +To sugeruje, że może istnieć korelacja, i możemy spróbować wytrenować liniowy model regresji, by przewidzieć zależność między `Month` a `Price` lub między `DayOfYear` a `Price`. Oto wykres rozrzutu pokazujący tę drugą zależność: -Wykres rozrzutu Cena vs Dzień roku +Wykres rozrzutu Cena vs. Dzień roku -Sprawdźmy, czy istnieje korelacja, korzystając z funkcji `corr`: +Sprawdźmy, czy jest korelacja, używając funkcji `corr`: ```python print(new_pumpkins['Month'].corr(new_pumpkins['Price'])) print(new_pumpkins['DayOfYear'].corr(new_pumpkins['Price'])) ``` - -Wygląda na to, że korelacja jest dość niewielka: -0,15 względem `Month` i -0,17 względem `DayOfMonth`, ale może istnieć inna ważna relacja. Wygląda na to, że różne klastry cen odpowiadają różnym odmianom dyni. Aby potwierdzić tę hipotezę, wyświetlmy każdą kategorię dyni innym kolorem. Przekazując parametr `ax` do funkcji `scatter`, możemy narysować wszystkie punkty na tym samym wykresie: + +Wygląda na to, że korelacja jest dość mała, -0.15 wg `Month` i -0.17 wg `DayOfMonth`, ale mogłaby istnieć inna ważna zależność. Wygląda na to, że istnieją różne grupy cen odpowiadające różnym odmianom dyni. Aby potwierdzić tę hipotezę, nanieśmy każdy gatunek dyń innym kolorem. Przekazując argument `ax` funkcji `scatter`, możemy nanieść wszystkie punkty na tym samym wykresie: ```python ax=None @@ -139,93 +139,92 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): df = new_pumpkins[new_pumpkins['Variety']==var] ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` - -Wykres rozrzutu Cena vs Dzień roku różnokolorowy -Nasze badanie sugeruje, że odmiana dyni ma większy wpływ na cenę niż faktyczna data sprzedaży. Widzimy to na wykresie słupkowym: +Wykres rozrzutu Cena vs. Dzień roku + +Nasze dochodzenie sugeruje, że odmiana dyni ma większy wpływ na cenę niż faktyczna data sprzedaży. Możemy to zobaczyć na wykresie słupkowym: ```python new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` - -Wykres słupkowy ceny wg odmiany -Na razie skupmy się wyłącznie na odmianie 'pie type' i zobaczmy, jaki wpływ na cenę ma data: +Wykres słupkowy ceny wg odmiany + +Skupmy się na razie tylko na jednej odmianie dyni, 'pie type', i zobaczmy jaki wpływ ma data na cenę: ```python pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` - -Wykres rozrzutu Cena vs Dzień roku dla odmiany pie type +Wykres rozrzutu Cena vs. Dzień roku -Jeśli teraz obliczymy korelację między `Price` a `DayOfYear` za pomocą funkcji `corr`, otrzymamy coś około `-0.27` – co oznacza, że trenowanie modelu predykcyjnego ma sens. +Jeśli teraz obliczymy korelację między `Price` a `DayOfYear` funkcją `corr`, otrzymamy wartość około `-0.27` – co oznacza, że trening modelu predykcyjnego ma sens. -> Przed trenowaniem modelu regresji liniowej ważne jest, aby upewnić się, że nasze dane są czyste. Regresja liniowa nie działa dobrze z brakującymi wartościami, więc sensowne jest pozbycie się wszystkich pustych komórek: +> Przed wytrenowaniem modelu regresji liniowej ważne jest, aby upewnić się, że dane są czyste. Regresja liniowa źle radzi sobie z brakującymi wartościami, więc warto usunąć wszystkie puste komórki: ```python pie_pumpkins.dropna(inplace=True) pie_pumpkins.info() ``` - -Innym podejściem może być wypełnienie brakujących wartości średnimi wartościami z odpowiedniej kolumny. + +Innym podejściem byłoby wypełnienie tych pustych wartości średnimi wartościami z odpowiednich kolumn. ## Prosta regresja liniowa -[![ML dla początkujących - Regresja liniowa i wielomianowa ze Scikit-learn](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML dla początkujących - Regresja liniowa i wielomianowa ze Scikit-learn") +[![ML dla początkujących - regresja liniowa i wielomianowa z użyciem Scikit-learn](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML dla początkujących - regresja liniowa i wielomianowa z użyciem Scikit-learn") -> 🎥 Kliknij powyższy obraz, aby obejrzeć krótki film o regresji liniowej i wielomianowej. +> 🎥 Kliknij powyższy obrazek, aby obejrzeć krótki przegląd regresji liniowej i wielomianowej. -Do treningu naszego modelu regresji liniowej użyjemy biblioteki **Scikit-learn**. +Aby wytrenować nasz model regresji liniowej, użyjemy biblioteki **Scikit-learn**. ```python from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error from sklearn.model_selection import train_test_split ``` - + Zaczynamy od rozdzielenia wartości wejściowych (cech) i oczekiwanego wyniku (etykiety) do osobnych tablic numpy: ```python X = pie_pumpkins['DayOfYear'].to_numpy().reshape(-1,1) y = pie_pumpkins['Price'] ``` - -> Zauważ, że musieliśmy wykonać `reshape` na danych wejściowych, aby pakiet Linear Regression mógł je prawidłowo zinterpretować. Regresja liniowa oczekuje 2-wymiarowej tablicy jako danych wejściowych, gdzie każdy wiersz odpowiada wektorowi cech. W naszym przypadku, mając tylko jedną cechę, potrzebujemy tablicy o kształcie N×1, gdzie N to liczba elementów w zestawie danych. + +> Zauważ, że musieliśmy wykonać `reshape` na danych wejściowych, aby pakiet Linear Regression zrozumiał je poprawnie. Regresja liniowa oczekuje 2-wymiarowej tablicy jako wejścia, gdzie każdy wiersz tablicy odpowiada wektorowi cech wejściowych. W naszym przypadku, ponieważ mamy tylko jedno wejście – potrzebujemy tablicy o kształcie N×1, gdzie N to rozmiar zestawu danych. Następnie musimy podzielić dane na zbiory treningowy i testowy, aby móc zweryfikować model po treningu: ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) ``` - -W końcu trening właściwego modelu regresji liniowej zajmuje zaledwie dwie linijki kodu. Definiujemy obiekt `LinearRegression` i dopasowujemy go do danych za pomocą metody `fit`: + +Na koniec wytrenowanie faktycznego modelu regresji liniowej zajmuje tylko dwie linijki kodu. Definiujemy obiekt `LinearRegression` i dopasowujemy go do naszych danych za pomocą metody `fit`: ```python lin_reg = LinearRegression() lin_reg.fit(X_train,y_train) ``` -Obiekt `LinearRegression` po dopasowaniu (`fit`) zawiera wszystkie współczynniki regresji, do których można uzyskać dostęp za pomocą właściwości `.coef_`. W naszym przypadku jest tylko jeden współczynnik, który powinien wynosić około `-0.017`. Oznacza to, że ceny wydają się nieco spadać wraz z czasem, ale nieznacznie, około 2 centy dziennie. Możemy również uzyskać punkt przecięcia regresji z osią Y za pomocą `lin_reg.intercept_` – w naszym przypadku będzie to około `21`, co wskazuje na cenę na początku roku. +Obiekt `LinearRegression` po dopasowaniu (`fit`) zawiera wszystkie współczynniki regresji, do których można uzyskać dostęp za pomocą właściwości `.coef_`. W naszym przypadku jest tylko jeden współczynnik, który powinien wynosić około `-0.017`. Oznacza to, że ceny wydają się nieco spadać z czasem, ale niezbyt mocno, około 2 centów dziennie. Możemy również uzyskać punkt przecięcia regresji z osią Y, korzystając z `lin_reg.intercept_` - będzie to około `21` w naszym przypadku, co wskazuje na cenę na początku roku. -Aby sprawdzić, jak dokładny jest nasz model, możemy przewidzieć ceny na zestawie testowym, a następnie zmierzyć, jak bliskie są nasze przewidywania do oczekiwanych wartości. Można to zrobić za pomocą metryki błędu średniokwadratowego (MSE), która jest średnią wszystkich kwadratów różnic między wartościami oczekiwanymi a przewidywanymi. +Aby sprawdzić, jak dokładny jest nasz model, możemy przewidzieć ceny na zbiorze testowym, a następnie zmierzyć, jak bliskie są nasze przewidywania wartościom oczekiwanym. Można to zrobić za pomocą wskaźnika błędu średniokwadratowego (RMSE), który jest pierwiastkiem średniej ze wszystkich kwadratów różnic między wartością oczekiwaną a przewidywaną. ```python pred = lin_reg.predict(X_test) -mse = np.sqrt(mean_squared_error(y_test,pred)) -print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)') +rmse = np.sqrt(mean_squared_error(y_test,pred)) +print(f'RMSE: {rmse:3.3} ({rmse/np.mean(pred)*100:3.3}%)') ``` -Nasz błąd wydaje się wynosić około 2 punkty, co stanowi ~17%. Niezbyt dobrze. Innym wskaźnikiem jakości modelu jest **współczynnik determinacji**, który można uzyskać w ten sposób: +Nasz błąd wydaje się wynosić około 2 punktów, co stanowi ~17%. Niezbyt dobrze. Innym wskaźnikiem jakości modelu jest **współczynnik determinacji**, który można uzyskać w ten sposób: ```python score = lin_reg.score(X_train,y_train) print('Model determination: ', score) ``` -Jeśli wartość wynosi 0, oznacza to, że model nie uwzględnia danych wejściowych i działa jako *najgorszy liniowy predyktor*, czyli po prostu wartość średnia wyniku. Wartość 1 oznacza, że możemy idealnie przewidzieć wszystkie oczekiwane wyniki. W naszym przypadku współczynnik wynosi około 0,06, co jest dość niskie. +Jeśli wartość jest równa 0, oznacza to, że model nie uwzględnia danych wejściowych i działa jako *najgorszy liniowy predyktor*, którym jest po prostu średnia z wyniku. Wartość 1 oznacza, że możemy idealnie przewidzieć wszystkie wartości oczekiwane. W naszym przypadku współczynnik wynosi około 0.06, co jest dość niskie. -Możemy również narysować dane testowe wraz z linią regresji, aby lepiej zobaczyć, jak działa regresja w naszym przypadku: +Możemy również narysować dane testowe razem z linią regresji, aby lepiej zobaczyć, jak działa regresja w naszym przypadku: ```python plt.scatter(X_test,y_test) @@ -236,17 +235,17 @@ plt.plot(X_test,pred) ## Regresja wielomianowa -Innym typem regresji liniowej jest regresja wielomianowa. Chociaż czasami istnieje liniowa zależność między zmiennymi – im większa dynia pod względem objętości, tym wyższa cena – czasem te zależności nie mogą być przedstawione jako płaszczyzna lub prosta. +Innym typem regresji liniowej jest regresja wielomianowa. Chociaż czasem istnieje liniowa zależność między zmiennymi – im większa dynia pod względem objętości, tym wyższa cena – to czasem tych zależności nie da się przedstawić jako płaszczyzna lub prosta. -✅ Oto [kilka dodatkowych przykładów](https://online.stat.psu.edu/stat501/lesson/9/9.8) danych, które mogłyby korzystać z regresji wielomianowej +✅ Oto [kilka innych przykładów](https://online.stat.psu.edu/stat501/lesson/9/9.8) danych, dla których można zastosować regresję wielomianową -Spójrz ponownie na związek między Datą a Ceną. Czy ten wykres punktowy musi być koniecznie analizowany linią prostą? Czy ceny nie mogą się wahać? W takim przypadku możesz spróbować regresji wielomianowej. +Spójrz ponownie na zależność między Datą a Ceną. Czy ta wykres rozrzutu koniecznie powinien być analizowany za pomocą prostej? Czy ceny nie mogą się wahać? W takim przypadku można spróbować regresji wielomianowej. -✅ Wielomiany to wyrażenia matematyczne, które mogą składać się z jednej lub więcej zmiennych i współczynników +✅ Wielomiany to wyrażenia matematyczne, które mogą się składać z jednej lub więcej zmiennych oraz współczynników -Regresja wielomianowa tworzy krzywą linię, aby lepiej dopasować dane nieliniowe. W naszym przypadku, jeśli do danych wejściowych dodamy zmienną `DayOfYear` podniesioną do kwadratu, powinniśmy być w stanie dopasować nasze dane paraboliczną krzywą, która będzie miała minimum w określonym punkcie roku. +Regresja wielomianowa tworzy zakrzywioną linię, aby lepiej dopasować dane nieliniowe. W naszym przypadku, jeśli do danych wejściowych dodamy zmienną `DayOfYear` podniesioną do kwadratu, powinniśmy być w stanie dopasować nasze dane krzywą paraboliczną, która będzie miała minimum w pewnym punkcie w ciągu roku. -Scikit-learn zawiera przydatne [API potoku](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline), aby połączyć różne etapy przetwarzania danych razem. **Potok** to łańcuch **estymatorów**. W naszym przypadku stworzymy potok, który najpierw dodaje cechy wielomianowe do modelu, a następnie trenuje regresję: +Scikit-learn zawiera przydatne [API do łączenia etapów przetwarzania danych](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline). **Pipeline** to łańcuch **estymatorów**. W naszym przypadku stworzymy pipeline, który najpierw doda cechy wielomianowe do naszego modelu, a następnie wytrenuje regresję: ```python from sklearn.preprocessing import PolynomialFeatures @@ -257,36 +256,36 @@ pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) ``` -Użycie `PolynomialFeatures(2)` oznacza, że uwzględnimy wszystkie wielomiany stopnia drugiego z danych wejściowych. W naszym przypadku oznacza to tylko `DayOfYear`2, ale mając dwie zmienne wejściowe X i Y, dodane zostaną X2, XY i Y2. Możemy również użyć wielomianów wyższego stopnia, jeśli chcemy. +Użycie `PolynomialFeatures(2)` oznacza, że uwzględnimy wszystkie wielomiany drugiego stopnia z danych wejściowych. W naszym przypadku będzie to po prostu `DayOfYear`2, ale przy dwóch zmiennych wejściowych X i Y doda X2, XY oraz Y2. Możemy również użyć wielomianów wyższego stopnia, jeśli chcemy. -Potoki mogą być używane tak samo jak oryginalny obiekt `LinearRegression`, czyli możemy `fit` potok, a następnie użyć `predict`, aby uzyskać wyniki predykcji. Oto wykres pokazujący dane testowe i krzywą aproksymacji: +Pipeline można używać tak samo jak oryginalny obiekt `LinearRegression`, tj. możemy `fit` pipeline, a następnie użyć `predict`, aby uzyskać przewidywania. Oto wykres pokazujący dane testowe i krzywą aproksymacji: Polynomial regression -Używając regresji wielomianowej, możemy uzyskać nieco niższy MSE i wyższy współczynnik determinacji, ale nieznacznie. Musimy uwzględnić inne cechy! +Korzystając z regresji wielomianowej, możemy uzyskać nieco niższy MSE i wyższy współczynnik determinacji, ale nieznacznie. Musimy uwzględnić inne cechy! -> Widać, że minimalne ceny dyń obserwowane są gdzieś około Halloween. Jak możesz to wytłumaczyć? +> Możesz zauważyć, że minimalne ceny dyń są obserwowane około Halloween. Jak to wyjaśnisz? -🎃 Gratulacje, właśnie stworzyłeś model, który może pomóc przewidywać ceny dyń na ciasto. Prawdopodobnie możesz powtórzyć tę samą procedurę dla wszystkich typów dyń, ale byłoby to czasochłonne. Nauczmy się teraz, jak uwzględnić odmianę dyni w naszym modelu! +🎃 Gratulacje, właśnie stworzyłeś model, który może pomóc przewidzieć cenę dyń na ciasto. Prawdopodobnie możesz powtórzyć tę samą procedurę dla wszystkich typów dyń, ale byłoby to żmudne. Nauczmy się teraz, jak uwzględnić odmianę dyni w naszym modelu! ## Cechy kategoryczne -W idealnym świecie chcielibyśmy być w stanie przewidywać ceny różnych odmian dyni za pomocą tego samego modelu. Jednak kolumna `Variety` jest nieco inna niż kolumny takie jak `Month`, ponieważ zawiera wartości nienumeryczne. Takie kolumny nazywają się **kategorycznymi**. +W idealnym świecie chcielibyśmy móc przewidywać ceny dla różnych odmian dyni przy użyciu tego samego modelu. Jednak kolumna `Variety` jest nieco inna niż kolumny takie jak `Month`, ponieważ zawiera wartości niebędące liczbami. Takie kolumny nazywamy **kategorycznymi**. [![ML for beginners - Categorical Feature Predictions with Linear Regression](https://img.youtube.com/vi/DYGliioIAE0/0.jpg)](https://youtu.be/DYGliioIAE0 "ML for beginners - Categorical Feature Predictions with Linear Regression") -> 🎥 Kliknij powyższy obraz, aby obejrzeć krótki film o używaniu cech kategorycznych. +> 🎥 Kliknij powyższy obraz, aby obejrzeć krótki film o użyciu cech kategorycznych. Tutaj możesz zobaczyć, jak średnia cena zależy od odmiany: Average price by variety -Aby uwzględnić odmianę, najpierw musimy przekonwertować ją na formę numeryczną, czyli **zakodować**. Istnieje kilka sposobów, aby to zrobić: +Aby uwzględnić odmianę, najpierw musimy przekonwertować ją na postać numeryczną, czyli ją **zdekodować (zakodować)**. Istnieje kilka sposobów, jak to zrobić: -* Proste **kodowanie numeryczne** zbuduje tabelę różnych odmian, a następnie zastąpi nazwę odmiany indeksem w tej tabeli. Nie jest to najlepszy pomysł dla regresji liniowej, ponieważ regresja liniowa bierze rzeczywistą wartość numeryczną indeksu i dodaje ją do wyniku, mnożąc przez pewien współczynnik. W naszym przypadku zależność między numerem indeksu a ceną jest wyraźnie nieliniowa, nawet jeśli upewnimy się, że indeksy są uporządkowane w określony sposób. -* **Kodowanie one-hot** zastąpi kolumnę `Variety` 4 różnymi kolumnami, po jednej dla każdej odmiany. Każda kolumna będzie zawierać `1`, jeśli odpowiadający wiersz jest danej odmiany, i `0` w przeciwnym razie. Oznacza to, że w regresji liniowej pojawią się cztery współczynniki, po jednym dla każdej odmiany dyni, odpowiadające "cenie startowej" (a raczej "dodatkowej cenie") za tę konkretną odmianę. +* Proste **kodowanie numeryczne** zbuduje tabelę różnych odmian, a następnie zastąpi nazwę odmiany indeksem w tej tabeli. To nie jest najlepszy pomysł dla regresji liniowej, ponieważ regresja liniowa bierze rzeczywistą wartość numeryczną indeksu i dodaje ją do wyniku, mnożąc przez pewien współczynnik. W naszym przypadku zależność między numerem indeksu a ceną jest wyraźnie nieliniowa, nawet jeśli upewnimy się, że indeksy są uporządkowane w konkretny sposób. +* **Kodowanie one-hot** zastąpi kolumnę `Variety` 4 różnymi kolumnami, po jednej dla każdej odmiany. Każda kolumna będzie zawierać `1`, jeśli odpowiadający wiersz jest danej odmiany, i `0` w przeciwnym wypadku. Oznacza to, że w regresji liniowej będzie cztery współczynniki, po jednym dla każdej odmiany dyni, odpowiedzialnych za "cenę startową" (a raczej "dodatkową cenę") dla danej odmiany. -Poniższy kod pokazuje, jak możemy zakodować odmianę metodą one-hot: +Poniższy kod pokazuje, jak można zakodować odmianę metodą one-hot: ```python pd.get_dummies(new_pumpkins['Variety']) @@ -303,14 +302,14 @@ pd.get_dummies(new_pumpkins['Variety']) 1741 | 0 | 1 | 0 | 0 1742 | 0 | 1 | 0 | 0 -Aby wytrenować regresję liniową używając one-hot zakodowanej odmiany jako dane wejściowe, po prostu musimy poprawnie zainicjalizować dane `X` i `y`: +Aby wytrenować regresję liniową używając zakodowanej metodą one-hot odmiany jako dane wejściowe, wystarczy poprawnie zainicjalizować dane `X` i `y`: ```python X = pd.get_dummies(new_pumpkins['Variety']) y = new_pumpkins['Price'] ``` -Reszta kodu jest taka sama, jaką użyliśmy wcześniej do trenowania regresji liniowej. Jeśli spróbujesz, zobaczysz, że błąd średniokwadratowy jest mniej więcej taki sam, ale uzyskujemy znacznie wyższy współczynnik determinacji (~77%). Aby uzyskać jeszcze dokładniejsze przewidywania, możemy uwzględnić więcej cech kategorycznych oraz cechy numeryczne, takie jak `Month` czy `DayOfYear`. Aby uzyskać jedną dużą tablicę cech, możemy użyć `join`: +Reszta kodu jest taka sama, jak używana wcześniej do trenowania regresji liniowej. Jeśli to wypróbujesz, zobaczysz, że średni błąd kwadratowy jest mniej więcej taki sam, ale uzyskujemy znacznie wyższy współczynnik determinacji (~77%). Aby uzyskać jeszcze dokładniejsze przewidywania, możemy uwzględnić więcej cech kategorycznych oraz numerycznych, takich jak `Month` czy `DayOfYear`. Aby uzyskać jedną dużą tablicę cech, możemy użyć `join`: ```python X = pd.get_dummies(new_pumpkins['Variety']) \ @@ -320,11 +319,11 @@ X = pd.get_dummies(new_pumpkins['Variety']) \ y = new_pumpkins['Price'] ``` -Tutaj bierzemy również pod uwagę `City` i typ `Package`, co daje nam MSE 2.84 (10%) i determinację 0.94! +Tutaj uwzględniamy również `City` i typ `Package`, co daje MSE 2.84 (10%) oraz współczynnik determinacji 0.94! ## Łączenie wszystkiego w całość -Aby stworzyć najlepszy model, możemy użyć połączonych danych (zakodowane one-hot kategorie + dane numeryczne) z powyższego przykładu wraz z regresją wielomianową. Oto kompletny kod dla wygody: +Aby stworzyć najlepszy model, możemy użyć połączonych (zakodowanych one-hot kategorycznych + numerycznych) danych z powyższego przykładu wraz z regresją wielomianową. Oto kompletny kod dla Twojej wygody: ```python # przygotuj dane treningowe @@ -337,14 +336,14 @@ y = new_pumpkins['Price'] # wykonaj podział na zbiór treningowy i testowy X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) -# skonfiguruj i wytrenuj potok +# skonfiguruj i wytrenuj pipeline pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) # przewiduj wyniki dla danych testowych pred = pipeline.predict(X_test) -# oblicz błąd średniokwadratowy i współczynnik determinacji +# oblicz MSE i współczynnik determinacji mse = np.sqrt(mean_squared_error(y_test,pred)) print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)') @@ -352,36 +351,36 @@ score = pipeline.score(X_train,y_train) print('Model determination: ', score) ``` -Powinno to dać nam najlepszy współczynnik determinacji prawie 97% oraz MSE=2.23 (~8% błąd predykcji). +To powinno dać nam najlepszy współczynnik determinacji prawie 97% oraz MSE=2.23 (~8% błąd przewidywania). -| Model | MSE | Determinacja | -|-------|-----|--------------| -| Regresja liniowa `DayOfYear` | 2.77 (17.2%) | 0.07 | -| Regresja wielomianowa `DayOfYear` | 2.73 (17.0%) | 0.08 | -| Regresja liniowa `Variety` | 5.24 (19.7%) | 0.77 | -| Regresja liniowa dla wszystkich cech | 2.84 (10.5%) | 0.94 | -| Regresja wielomianowa dla wszystkich cech | 2.23 (8.25%) | 0.97 | +| Model | MSE | Współczynnik determinacji | +|-------|-----|----------------------------| +| `DayOfYear` liniowa | 2.77 (17.2%) | 0.07 | +| `DayOfYear` wielomianowa | 2.73 (17.0%) | 0.08 | +| `Variety` liniowa | 5.24 (19.7%) | 0.77 | +| Wszystkie cechy liniowe | 2.84 (10.5%) | 0.94 | +| Wszystkie cechy wielomianowe | 2.23 (8.25%) | 0.97 | -🏆 Świetna robota! Stworzyłeś cztery modele regresji w jednej lekcji i poprawiłeś jakość modelu do 97%. W ostatniej części dotyczącej regresji nauczysz się o regresji logistycznej do określania kategorii. +🏆 Świetna robota! Stworzyłeś cztery modele regresji w jednej lekcji i poprawiłeś jakość modelu do 97%. W ostatnim rozdziale o regresji poznasz regresję logistyczną do określania kategorii. --- ## 🚀Wyzwanie -Przetestuj kilka różnych zmiennych w tym notatniku, aby zobaczyć, jak korelacja odpowiada dokładności modelu. +Przetestuj kilka różnych zmiennych w tym zeszycie, aby zobaczyć, jak korelacja przekłada się na dokładność modelu. ## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/) ## Powtórka i samodzielna nauka -W tej lekcji nauczyliśmy się o regresji liniowej. Istnieją inne ważne typy regresji. Przeczytaj o technikach Stepwise, Ridge, Lasso i Elasticnet. Dobrym kursem do nauki jest [Stanford Statistical Learning course](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) +W tej lekcji poznaliśmy regresję liniową. Istnieją także inne ważne typy regresji. Przeczytaj o technikach Stepwise, Ridge, Lasso i Elasticnet. Dobrym kursem do nauki jest [Stanford Statistical Learning course](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) -## Zadanie +## Zadanie -[Zbuduj Model](assignment.md) +[Zbuduj model](assignment.md) --- **Zastrzeżenie**: -Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mimo że dążymy do dokładności, prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być traktowany jako źródło autorytatywne. W przypadku istotnych informacji zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonywanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia. +Dokument ten został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy traktować jako autorytatywne źródło. W przypadku informacji krytycznych zaleca się profesjonalne tłumaczenie wykonane przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia. \ No newline at end of file diff --git a/translations/pl/4-Classification/2-Classifiers-1/README.md b/translations/pl/4-Classification/2-Classifiers-1/README.md index 627058de8..89f491b61 100644 --- a/translations/pl/4-Classification/2-Classifiers-1/README.md +++ b/translations/pl/4-Classification/2-Classifiers-1/README.md @@ -1,17 +1,17 @@ # Klasyfikatory kuchni 1 -W tej lekcji użyjesz zestawu danych, który zapisałeś w poprzedniej lekcji, pełnego zrównoważonych i czystych danych dotyczących kuchni. +W tej lekcji użyjesz zestawu danych, który zapisałeś z poprzedniej lekcji, pełnego zrównoważonych, czystych danych dotyczących kuchni. -Wykorzystasz ten zestaw danych z różnymi klasyfikatorami, aby _przewidzieć daną kuchnię narodową na podstawie grupy składników_. Przy okazji dowiesz się więcej o tym, jak algorytmy mogą być wykorzystywane do zadań klasyfikacyjnych. +Użyjesz tego zestawu danych z różnymi klasyfikatorami, aby _przewidzieć daną kuchnię narodową na podstawie grupy składników_. Przy okazji dowiesz się więcej o różnych sposobach wykorzystywania algorytmów do zadań klasyfikacji. -## [Quiz przed lekcją](https://ff-quizzes.netlify.app/en/ml/) +## [Quiz przed wykładem](https://ff-quizzes.netlify.app/en/ml/) # Przygotowanie -Zakładając, że ukończyłeś [Lekcję 1](../1-Introduction/README.md), upewnij się, że plik _cleaned_cuisines.csv_ znajduje się w folderze `/data` w katalogu głównym dla tych czterech lekcji. +Zakładając, że ukończyłeś [Lekcję 1](../1-Introduction/README.md), upewnij się, że w głównym folderze `/data` na potrzeby tych czterech lekcji istnieje plik _cleaned_cuisines.csv_. ## Ćwiczenie - przewidywanie kuchni narodowej -1. Pracując w folderze _notebook.ipynb_ tej lekcji, zaimportuj ten plik wraz z biblioteką Pandas: +1. Pracując w folderze _notebook.ipynb_ z tej lekcji, zaimportuj ten plik wraz z biblioteką Pandas: ```python import pandas as pd @@ -30,7 +30,7 @@ Zakładając, że ukończyłeś [Lekcję 1](../1-Introduction/README.md), upewni | 4 | 4 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | -1. Teraz zaimportuj kilka dodatkowych bibliotek: +1. Teraz zaimportuj kilka innych bibliotek: ```python from sklearn.linear_model import LogisticRegression @@ -40,14 +40,14 @@ Zakładając, że ukończyłeś [Lekcję 1](../1-Introduction/README.md), upewni import numpy as np ``` -1. Podziel współrzędne X i y na dwa zestawy danych do trenowania. `cuisine` może być zestawem etykiet: +1. Podziel współrzędne X i y na dwa dataframe’y do trenowania. `cuisine` może być dataframe’m etykiet: ```python cuisines_label_df = cuisines_df['cuisine'] cuisines_label_df.head() ``` - Wygląda to tak: + Będzie wyglądać tak: ```output 0 indian @@ -58,7 +58,7 @@ Zakładając, że ukończyłeś [Lekcję 1](../1-Introduction/README.md), upewni Name: cuisine, dtype: object ``` -1. Usuń kolumnę `Unnamed: 0` oraz kolumnę `cuisine`, używając `drop()`. Zapisz resztę danych jako cechy do trenowania: +1. Usuń kolumnę `Unnamed: 0` oraz kolumnę `cuisine`, wywołując `drop()`. Resztę danych zapisz jako cechy do trenowania: ```python cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1) @@ -75,75 +75,75 @@ Zakładając, że ukończyłeś [Lekcję 1](../1-Introduction/README.md), upewni | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | -Teraz jesteś gotowy, aby trenować swój model! +Teraz jesteś gotów do trenowania modelu! ## Wybór klasyfikatora -Teraz, gdy dane są czyste i gotowe do trenowania, musisz zdecydować, który algorytm użyć do zadania. +Po oczyszczeniu danych i przygotowaniu ich do trenowania musisz zdecydować, którego algorytmu użyć. -Scikit-learn grupuje klasyfikację w ramach Uczenia Nadzorowanego, a w tej kategorii znajdziesz wiele metod klasyfikacji. [Różnorodność](https://scikit-learn.org/stable/supervised_learning.html) może być na pierwszy rzut oka przytłaczająca. Poniższe metody obejmują techniki klasyfikacji: +Scikit-learn grupuje klasyfikację w ramach Uczenia Nadzorowanego (Supervised Learning), a w tej kategorii znajdziesz wiele sposobów klasyfikacji. [Różnorodność](https://scikit-learn.org/stable/supervised_learning.html) może na początku przytłaczać. Poniższe metody obejmują techniki klasyfikacyjne: -- Modele liniowe -- Maszyny wektorów nośnych (SVM) -- Stochastyczny gradient prosty -- Najbliżsi sąsiedzi +- Model liniowy +- Maszyny wektorów nośnych (Support Vector Machines) +- Stoachastyczny spadek gradientu (Stochastic Gradient Descent) +- Najbliżsi sąsiedzi (Nearest Neighbors) - Procesy Gaussowskie - Drzewa decyzyjne -- Metody zespołowe (klasyfikator głosujący) -- Algorytmy wieloklasowe i wielowyjściowe (klasyfikacja wieloklasowa i wieloetykietowa, klasyfikacja wieloklasowa-wielowyjściowa) +- Metody zespołowe (voting Classifier) +- Algorytmy wieloklasowe i wielowyjściowe (wieloklasowa i wieloetykietowa klasyfikacja, wieloklasowa klasyfikacja wielowyjściowa) > Możesz również użyć [sieci neuronowych do klasyfikacji danych](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), ale to wykracza poza zakres tej lekcji. -### Jaki klasyfikator wybrać? +### Który klasyfikator wybrać? -Więc, który klasyfikator powinieneś wybrać? Często przetestowanie kilku i poszukiwanie dobrego wyniku jest sposobem na sprawdzenie. Scikit-learn oferuje [porównanie obok siebie](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) na stworzonym zestawie danych, porównując KNeighbors, SVC na dwa sposoby, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB i QuadraticDiscriminationAnalysis, pokazując wyniki wizualnie: +Zatem, który klasyfikator wybrać? Często sposób polega na przetestowaniu kilku i poszukaniu dobrego wyniku. Scikit-learn oferuje [porównanie obok siebie](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) na utworzonym zbiorze danych, porównując KNeighbors, SVC dwoma metodami, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB i QuadraticDiscrinationAnalysis, pokazując wyniki wizualizowane: -![porównanie klasyfikatorów](../../../../4-Classification/2-Classifiers-1/images/comparison.png) -> Wykresy wygenerowane na dokumentacji Scikit-learn +![porównanie klasyfikatorów](../../../../translated_images/pl/comparison.edfab56193a85e7f.webp) +> Wykresy wygenerowane w dokumentacji Scikit-learn -> AutoML rozwiązuje ten problem w prosty sposób, przeprowadzając te porównania w chmurze, pozwalając wybrać najlepszy algorytm dla twoich danych. Wypróbuj to [tutaj](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) +> AutoML rozwiązuje ten problem sprawnie, uruchamiając te porównania w chmurze i pozwalając na wybór najlepszego algorytmu dla twoich danych. Spróbuj [tutaj](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) ### Lepsze podejście -Lepszym sposobem niż zgadywanie jest skorzystanie z pomysłów zawartych w tej pobieralnej [ściągawce ML](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott). Tutaj odkrywamy, że dla naszego problemu wieloklasowego mamy kilka opcji: +Lepszym, niż przypadkowe próby, jest zapoznanie się z ideami zawartymi w do pobrania [ściągawce ML](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott). Tutaj odkrywamy, że dla naszego problemu wieloklasowego mamy pewne opcje: -![ściągawka dla problemów wieloklasowych](../../../../4-Classification/2-Classifiers-1/images/cheatsheet.png) -> Fragment ściągawki algorytmów Microsoftu, szczegółowo opisujący opcje klasyfikacji wieloklasowej +![ściągawka dla problemów wieloklasowych](../../../../translated_images/pl/cheatsheet.07a475ea444d2223.webp) +> Fragment ściągawki Microsoftu dotyczącej wyboru algorytmu, opisujący możliwości klasyfikacji wieloklasowej -✅ Pobierz tę ściągawkę, wydrukuj ją i powieś na ścianie! +✅ Pobierz tę ściągawkę, wydrukuj i powieś na ścianie! ### Rozumowanie -Zobaczmy, czy możemy rozważyć różne podejścia, biorąc pod uwagę ograniczenia, które mamy: +Zobaczmy, czy możemy rozumowo przeanalizować różne podejścia biorąc pod uwagę dostępne ograniczenia: -- **Sieci neuronowe są zbyt ciężkie**. Biorąc pod uwagę nasze czyste, ale minimalne dane oraz fakt, że przeprowadzamy trening lokalnie za pomocą notebooków, sieci neuronowe są zbyt wymagające dla tego zadania. -- **Brak klasyfikatora dwuklasowego**. Nie używamy klasyfikatora dwuklasowego, więc to wyklucza one-vs-all. -- **Drzewo decyzyjne lub regresja logistyczna mogą działać**. Drzewo decyzyjne może działać, podobnie jak regresja logistyczna dla danych wieloklasowych. -- **Wieloklasowe wzmocnione drzewa decyzyjne rozwiązują inny problem**. Wieloklasowe wzmocnione drzewo decyzyjne jest najbardziej odpowiednie dla zadań nieparametrycznych, np. zadań zaprojektowanych do budowania rankingów, więc nie jest dla nas użyteczne. +- **Sieci neuronowe są zbyt ciężkie**. Mając czysty, ale minimalny zestaw danych oraz fakt, że trening odbywa się lokalnie w notebookach, sieci neuronowe są zbyt zasobożerne do tego zadania. +- **Brak klasyfikatora dwu-klasowego**. Nie korzystamy z klasyfikatora dwu-klasowego, więc wykluczamy one-vs-all. +- **Drzewo decyzyjne lub regresja logistyczna mogą zadziałać**. Drzewo decyzyjne może się sprawdzić, lub regresja logistyczna dla danych wieloklasowych. +- **Wieloklasowe Boosted Decision Trees rozwiązują inny problem**. Wieloklasowe zwiększane drzewa decyzyjne nadają się do zadań nieparametrycznych, np. budowania rankingów, więc nie są dla nas przydatne. -### Korzystanie z Scikit-learn +### Używanie Scikit-learn -Będziemy używać Scikit-learn do analizy naszych danych. Istnieje jednak wiele sposobów na użycie regresji logistycznej w Scikit-learn. Spójrz na [parametry do przekazania](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). +Będziemy używać Scikit-learn do analizy naszych danych. Jednak istnieje wiele sposobów użycia regresji logistycznej w Scikit-learn. Spójrz na [parametry, które można przekazać](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Zasadniczo są dwa ważne parametry - `multi_class` i `solver` - które musimy określić, gdy prosimy Scikit-learn o wykonanie regresji logistycznej. Wartość `multi_class` stosuje określone zachowanie. Wartość solvera określa, jaki algorytm użyć. Nie wszystkie solvery mogą być łączone z wszystkimi wartościami `multi_class`. +Istotne są dwa parametry - `multi_class` i `solver` - które musimy określić, gdy prosimy Scikit-learn o regresję logistyczną. Wartość `multi_class` określa określone zachowanie. `solver` to wybrany algorytm. Nie wszystkie solvery mogą być łączone z wszystkimi wartościami `multi_class`. -Według dokumentacji, w przypadku wieloklasowym, algorytm treningowy: +Z dokumentacji wynika, że w przypadku wieloklasowym algorytm treningu: -- **Używa schematu one-vs-rest (OvR)**, jeśli opcja `multi_class` jest ustawiona na `ovr` -- **Używa funkcji strat krzyżowej entropii**, jeśli opcja `multi_class` jest ustawiona na `multinomial`. (Obecnie opcja `multinomial` jest obsługiwana tylko przez solvery ‘lbfgs’, ‘sag’, ‘saga’ i ‘newton-cg’.)" +- **używa schematu one-vs-rest (OvR)**, jeśli opcja `multi_class` jest ustawiona na `ovr` +- **używa funkcji straty entropii krzyżowej**, jeśli opcja `multi_class` jest ustawiona na `multinomial`. (Obecnie opcja `multinomial` jest wspierana tylko przez solvery ‘lbfgs’, ‘sag’, ‘saga’ oraz ‘newton-cg’)." -> 🎓 'Schemat' tutaj może być 'ovr' (one-vs-rest) lub 'multinomial'. Ponieważ regresja logistyczna jest zaprojektowana głównie do klasyfikacji binarnej, te schematy pozwalają jej lepiej obsługiwać zadania klasyfikacji wieloklasowej. [źródło](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) +> 🎓 'Schemat' może być „ovr” (one-vs-rest) lub „multinomial”. Regresja logistyczna jest projektowana głównie do klasyfikacji binarnej, te schematy umożliwiają lepszą obsługę zadań klasyfikacji wieloklasowej. [źródło](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) -> 🎓 'Solver' jest definiowany jako "algorytm używany w problemie optymalizacji". [źródło](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). +> 🎓 'Solver' to „algorytm używany w problemie optymalizacji”. [źródło](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Scikit-learn oferuje tę tabelę, aby wyjaśnić, jak solvery radzą sobie z różnymi wyzwaniami wynikającymi z różnych struktur danych: +Scikit-learn oferuje tę tabelę wyjaśniającą, jak solvery radzą sobie z różnymi wyzwaniami wynikającymi z różnego rodzaju struktur danych: -![solvery](../../../../4-Classification/2-Classifiers-1/images/solvers.png) +![solvery](../../../../translated_images/pl/solvers.5fc648618529e627.webp) ## Ćwiczenie - podziel dane -Możemy skupić się na regresji logistycznej podczas naszego pierwszego treningu, ponieważ niedawno nauczyłeś się o niej w poprzedniej lekcji. -Podziel swoje dane na grupy treningowe i testowe, wywołując `train_test_split()`: +Możemy skupić się na regresji logistycznej jako naszym pierwszym próbnym treningu, ponieważ niedawno uczyłeś się o niej na poprzedniej lekcji. +Podziel dane na grupy treningowe i testowe, wywołując `train_test_split()`: ```python X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3) @@ -151,7 +151,7 @@ X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisine ## Ćwiczenie - zastosuj regresję logistyczną -Ponieważ używasz przypadku wieloklasowego, musisz wybrać, jaki _schemat_ zastosować i jaki _solver_ ustawić. Użyj LogisticRegression z ustawieniem multi_class i solverem **liblinear** do treningu. +Ponieważ używasz przypadku wieloklasowego, musisz zdecydować, jaki _schemat_ zastosować i jaki _solver_ ustawić. Użyj LogisticRegression z ustawieniem wieloklasowym i solverem **liblinear** do treningu. 1. Utwórz regresję logistyczną z multi_class ustawionym na `ovr` i solverem ustawionym na `liblinear`: @@ -163,11 +163,13 @@ Ponieważ używasz przypadku wieloklasowego, musisz wybrać, jaki _schemat_ zast print ("Accuracy is {}".format(accuracy)) ``` - ✅ Wypróbuj inny solver, taki jak `lbfgs`, który często jest ustawiany jako domyślny -> Uwaga, użyj funkcji Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html), aby spłaszczyć dane, gdy zajdzie taka potrzeba. -Dokładność wynosi ponad **80%**! + ✅ Spróbuj innego solvera, np. `lbfgs`, który często jest ustawiony jako domyślny -1. Możesz zobaczyć działanie tego modelu, testując jeden wiersz danych (#50): + > Uwaga, użyj funkcji Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) do spłaszczania danych, gdy jest to potrzebne. + + Dokładność jest dobra, ponad **80%**! + +1. Możesz zobaczyć działanie modelu, testując jeden wiersz danych (#50): ```python print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}') @@ -181,9 +183,8 @@ Dokładność wynosi ponad **80%**! cuisine: indian ``` - ✅ Spróbuj inny numer wiersza i sprawdź wyniki - -1. Zagłębiając się, możesz sprawdzić dokładność tej predykcji: + ✅ Spróbuj innego numeru wiersza i sprawdź wyniki +1. Zagłębiając się bardziej, możesz sprawdzić dokładność tej prognozy: ```python test= X_test.iloc[50].values.reshape(-1, 1).T @@ -195,7 +196,7 @@ Dokładność wynosi ponad **80%**! topPrediction.head() ``` - Wynik jest wyświetlany - kuchnia indyjska jest najlepszym przypuszczeniem, z dużym prawdopodobieństwem: + Wynik jest wydrukowany - kuchnia indyjska to najlepsze przypuszczenie, z dużym prawdopodobieństwem: | | 0 | | -------: | -------: | @@ -205,40 +206,42 @@ Dokładność wynosi ponad **80%**! | korean | 0.017277 | | thai | 0.007634 | - ✅ Czy potrafisz wyjaśnić, dlaczego model jest dość pewny, że to kuchnia indyjska? + ✅ Czy możesz wyjaśnić, dlaczego model jest dość pewny, że to kuchnia indyjska? -1. Uzyskaj więcej szczegółów, wyświetlając raport klasyfikacyjny, tak jak robiłeś to w lekcjach dotyczących regresji: +1. Uzyskaj więcej szczegółów, drukując raport klasyfikacji, tak jak robiłeś to na lekcjach regresji: ```python y_pred = model.predict(X_test) print(classification_report(y_test,y_pred)) ``` - | | precyzja | recall | f1-score | wsparcie | - | ------------ | -------- | ------ | -------- | -------- | - | chinese | 0.73 | 0.71 | 0.72 | 229 | - | indian | 0.91 | 0.93 | 0.92 | 254 | - | japanese | 0.70 | 0.75 | 0.72 | 220 | - | korean | 0.86 | 0.76 | 0.81 | 242 | - | thai | 0.79 | 0.85 | 0.82 | 254 | - | dokładność | 0.80 | 1199 | | | - | średnia makro| 0.80 | 0.80 | 0.80 | 1199 | - | średnia ważona| 0.80 | 0.80 | 0.80 | 1199 | + | | precision | recall | f1-score | support | + | ------------ | --------- | ------ | -------- | ------- | + | chinese | 0.73 | 0.71 | 0.72 | 229 | + | indian | 0.91 | 0.93 | 0.92 | 254 | + | japanese | 0.70 | 0.75 | 0.72 | 220 | + | korean | 0.86 | 0.76 | 0.81 | 242 | + | thai | 0.79 | 0.85 | 0.82 | 254 | + | accuracy | | | 0.80 | 1199 | + | macro avg | 0.80 | 0.80 | 0.80 | 1199 | + | weighted avg | 0.80 | 0.80 | 0.80 | 1199 | ## 🚀Wyzwanie -W tej lekcji użyłeś oczyszczonych danych, aby zbudować model uczenia maszynowego, który potrafi przewidzieć narodową kuchnię na podstawie serii składników. Poświęć trochę czasu na zapoznanie się z wieloma opcjami, które Scikit-learn oferuje do klasyfikacji danych. Zgłęb temat 'solver', aby zrozumieć, co dzieje się za kulisami. +Na tej lekcji użyłeś swoich oczyszczonych danych do zbudowania modelu uczenia maszynowego, który potrafi przewidzieć narodową kuchnię na podstawie zestawu składników. Poświęć trochę czasu, aby zapoznać się z wieloma opcjami oferowanymi przez Scikit-learn do klasyfikacji danych. Zagłęb się w pojęcie 'solver', aby zrozumieć, co dzieje się za kulisami. -## [Quiz po lekcji](https://ff-quizzes.netlify.app/en/ml/) +## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/) ## Przegląd i samodzielna nauka -Zgłęb trochę bardziej matematykę stojącą za regresją logistyczną w [tej lekcji](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) +Zagłęb się nieco bardziej w matematykę stojącą za regresją logistyczną w [tej lekcji](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) ## Zadanie [Przestudiuj solvery](assignment.md) --- + **Zastrzeżenie**: -Ten dokument został przetłumaczony za pomocą usługi tłumaczeniowej AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia. \ No newline at end of file +Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dążymy do dokładności, prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub niedokładności. Oryginalny dokument w języku źródłowym powinien być uważany za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia. + \ No newline at end of file diff --git a/translations/pl/README.md b/translations/pl/README.md index ec1b17082..6a5549ca7 100644 --- a/translations/pl/README.md +++ b/translations/pl/README.md @@ -8,16 +8,16 @@ [![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) -### 🌐 Wielojęzyczne wsparcie +### 🌐 Wsparcie wielojęzyczne -#### Wsparcie przez GitHub Action (Automatyczne i Zawsze Aktualne) +#### Wspierane przez GitHub Action (automatyczne i zawsze aktualne) [Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](./README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) > **Wolisz klonować lokalnie?** > -> To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacząco zwiększa rozmiar pobierania. Aby sklonować bez tłumaczeń, użyj sparse checkout: +> To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacznie zwiększa rozmiar pobierania. Aby sklonować bez tłumaczeń, użyj sparse checkout: > > **Bash / macOS / Linux:** > ```bash @@ -33,62 +33,62 @@ > git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" > ``` > -> To zapewnia wszystko, czego potrzebujesz, aby ukończyć kurs z dużo szybszym pobieraniem. +> To zapewni wszystko, co potrzebne do ukończenia kursu, przy znacznie szybszym pobieraniu. #### Dołącz do naszej społeczności [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -Prowadzimy serię Discord „Ucz się z AI”, dowiedz się więcej i dołącz do nas na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18 do 30 września 2025. Otrzymasz wskazówki i triki dotyczące korzystania z GitHub Copilot dla Data Science. +Mamy trwającą serię „Ucz się z AI” na Discordzie, dowiedz się więcej i dołącz do nas na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18 do 30 września 2025. Otrzymasz wskazówki i triki dotyczące używania GitHub Copilot w Data Science. ![Learn with AI series](../../translated_images/pl/3.9b58fd8d6c373c20.webp) -# Machine Learning dla Początkujących - Program Nauczania +# Machine Learning dla początkujących – Program nauczania -> 🌍 Podróżuj po świecie, odkrywając Uczenie Maszynowe przez pryzmat kultur świata 🌍 +> 🌍 Podróżuj po świecie, poznając uczenie maszynowe poprzez kultury świata 🌍 -Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy, 26-lekcyjny program nauczania poświęcony **Uczeniu Maszynowemu**. W tym programie dowiesz się o tym, co nazywamy czasem **klasycznym uczeniem maszynowym**, głównie z użyciem biblioteki Scikit-learn, unikając uczenia głębokiego, które jest objęte naszym [programem AI dla początkujących](https://aka.ms/ai4beginners). Połącz te lekcje z naszym [programem Data Science dla początkujących](https://aka.ms/ds4beginners)! +Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy, 26-lekcyjny program nauczania poświęcony **uczeniu maszynowemu**. W tym programie nauczysz się tego, co nazywa się czasem **klasycznym uczeniem maszynowym**, używając głównie biblioteki Scikit-learn i unikając deep learningu, który jest omawiany w naszym [programie AI dla początkujących](https://aka.ms/ai4beginners). Połącz te lekcje z naszym ['Data Science dla początkujących'](https://aka.ms/ds4beginners). -Podróżuj z nami po świecie, stosując klasyczne techniki do danych z wielu regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje realizacji, rozwiązanie, zadanie i więcej. Nasza oparta na projektach pedagogika pozwala uczyć się, budując, co jest sprawdzonym sposobem na trwałe przyswajanie nowych umiejętności. +Podróżuj z nami po świecie, stosując klasyczne techniki do danych z wielu rejonów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie domowe i więcej. Nasza projektowa metodologia pozwala uczyć się przez tworzenie, co jest sprawdzoną metodą na trwałe przyswajanie nowych umiejętności. -**✍️ Gorące podziękowania dla naszych autorów** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd +**✍️ Serdeczne podziękowania dla naszych autorów** Jen Looper, Stephena Howella, Franceski Lazzeri, Tomomi Imury, Cassie Breviu, Dmitry'ego Soshnikova, Chrisa Noringa, Anirbana Mukherjee, Ornelli Altunyan, Ruth Yakubu oraz Amy Boyd -**🎨 Podziękowania również dla naszych ilustratorów** Tomomi Imura, Dasani Madipalli oraz Jen Looper +**🎨 Podziękowania także dla naszych ilustratorów** Tomomi Imury, Dasani Madipalli i Jen Looper -**🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści Microsoft Student Ambassador**, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal +**🙏 Specjalne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści z Microsoft Student Ambassador**, w szczególności Rishita Dagli, Muhammada Sakib Khana Inana, Rohana Raja, Alexandru Petrescu, Abhisheka Jaiswala, Nawrin Tabassum, Ioana Samuili oraz Snigdhy Agarwal -**🤩 Specjalne podziękowania dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za lekcje R!** +**🤩 Dodatkowa wdzięczność dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupty za lekcje R!** -# Rozpoczęcie +# Pierwsze kroki -Postępuj według tych kroków: -1. **Fork repozytorium**: Kliknij przycisk "Fork" w prawym górnym rogu tej strony. -2. **Sklonuj repozytorium**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +Postępuj zgodnie z poniższymi krokami: +1. **Zrób fork repozytorium**: Kliknij przycisk „Fork” w prawym górnym rogu tej strony. +2. **Sklonuj repozytorium**: `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [znajdź wszystkie dodatkowe zasoby dla tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> [znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami najczęstszych problemów z instalacją, konfiguracją i uruchamianiem lekcji. +> 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami typowych problemów przy instalacji, konfiguracji i uruchamianiu lekcji. -**[Studenci](https://aka.ms/student-page)**, aby korzystać z tego programu, wykonaj fork całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie: +**[Studenci](https://aka.ms/student-page)**, aby korzystać z tego programu nauczania, wykonaj fork całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie: - Zacznij od quizu przed wykładem. -- Przeczytaj wykład i wykonaj zadania, zatrzymując się i zastanawiając przy każdej kontroli wiedzy. -- Spróbuj tworzyć projekty, rozumiejąc lekcje, a nie tylko uruchamiając kod rozwiązania; kod jest jednak dostępny w folderach `/solution` w każdej lekcji opartej na projekcie. -- Wykonaj quiz po wykładzie. +- Przeczytaj wykład i wykonaj aktywności, zatrzymując się na sprawdzeniach wiedzy, by zastanowić się nad materiałem. +- Staraj się tworzyć projekty rozumiejąc lekcje, zamiast tylko uruchamiać kod rozwiązań; jednakże kod jest dostępny w folderach `/solution` w każdej lekcji nastawionej na projekt. +- Zrób quiz po wykładzie. - Wykonaj wyzwanie. -- Wykonaj zadanie. -- Po ukończeniu grupy lekcji odwiedź [Forum Dyskusyjne](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucz się na głos”, wypełniając odpowiednią rubrykę PAT. PAT to narzędzie do oceny postępów, które wypełniasz, aby pogłębić swoją naukę. Możesz też reagować na PAT-y innych, abyśmy mogli uczyć się razem. +- Zrealizuj zadanie. +- Po ukończeniu zestawu lekcji odwiedź [Tablicę Dyskusyjną](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucz się na głos”, wypełniając odpowiednią rubricę PAT. „PAT” to narzędzie oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz także reagować na inne PAT-y, by uczyć się razem. -> Do dalszej nauki polecamy te [moduły i ścieżki nauczania Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). +> Dla dalszej nauki polecamy moduły i ścieżki nauczania dostępne na [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). -**Nauczyciele**, w [for-teachers.md] znajdziecie sugestie dotyczące korzystania z tego programu nauczania. +**Nauczyciele**, przygotowaliśmy [kilka sugestii](for-teachers.md) jak korzystać z tego programu. --- -## Wideo instruktażowe +## Materiały wideo -Niektóre lekcje są dostępne jako krótkie filmy. Znajdziesz je wszystkie bezpośrednio w lekcjach lub na [playliście ML dla początkujących na kanale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) po kliknięciu poniższego obrazka. +Część lekcji jest dostępna w krótkich formach wideo. Możesz je znaleźć bezpośrednio w lekcjach lub na [playliście ML for Beginners na kanale Microsoft Developer na YouTube](https://aka.ms/ml-beginners-videos), klikając na poniższy obraz. [![ML for beginners banner](../../translated_images/pl/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) @@ -100,137 +100,149 @@ Niektóre lekcje są dostępne jako krótkie filmy. Znajdziesz je wszystkie bezp **Gif autorstwa** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 Kliknij obrazek powyżej, aby zobaczyć film o projekcie i jego twórcach! +> 🎥 Kliknij powyższy obraz, aby obejrzeć wideo o projekcie i ludziach, którzy go stworzyli! --- -## Pedagogika +## Metodyka nauczania -Przy tworzeniu tego programu wybraliśmy dwie zasady pedagogiczne: zapewnienie, że jest to program praktyczny, **oparty na projektach**, oraz że zawiera **częste quizy**. Dodatkowo program ma wspólny **motyw przewodni**, nadający mu spójność. +Wybraliśmy dwa podstawowe założenia pedagogiczne budując ten program: zapewnienie, że jest on praktyczny i oparty na **projektach**, oraz że zawiera **częste quizy**. Ponadto, program ma wspólny **motyw przewodni**, aby nadać mu spójność. -Zapewnienie powiązania z projektami sprawia, że proces uczenia się jest bardziej angażujący, co zwiększa zapamiętywanie pojęć. Dodatkowo quiz o niskiej stawce przed lekcją nastawia ucznia na naukę tematu, a drugi quiz po lekcji wzmacnia utrwalenie wiedzy. Program został zaprojektowany tak, aby był elastyczny i przyjemny oraz można go realizować w całości lub w części. Projekty zaczynają się od prostych i stopniowo stają się coraz bardziej złożone, kończąc 12-tygodniowy cykl. Program zawiera też posłowie o zastosowaniach ML w praktyce, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji. +Dzięki powiązaniu treści z projektami proces staje się bardziej angażujący, a zapamiętywanie pojęć jest wzmocnione. Niskie stawki quizu na początku zajęć nastawiają ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Ten program został zaprojektowany tak, by był elastyczny i przyjemny i można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stopniowo stają się coraz bardziej złożone do końca 12-tygodniowego cyklu. Program zawiera także postscriptum dotyczące zastosowań ML w świecie rzeczywistym, które można wykorzystać jako dodatkowe punkty lub bazę do dyskusji. -> Znajdź nasze wytyczne: [Kodeks postępowania](CODE_OF_CONDUCT.md), [Wkład w projekt](CONTRIBUTING.md), [Tłumaczenia](..) i [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md). Czekamy na Twoją konstruktywną opinię! +> Znajdź nasze wytyczne [Kodeks postępowania](CODE_OF_CONDUCT.md), [Współpraca](CONTRIBUTING.md), [Tłumaczenia](..) oraz [Rozwiązywanie problemów](TROUBLESHOOTING.md). Czekamy na Twoją konstruktywną opinię! ## Każda lekcja zawiera -- opcjonalną notatkę szkicową -- opcjonalne wideo uzupełniające -- wideo instruktażowe (tylko w niektórych lekcjach) -- [quiz rozgrzewający przed lekcją](https://ff-quizzes.netlify.app/en/ml/) +- opcjonalne notatki graficzne +- opcjonalne dodatkowe wideo +- film pokazujący wykonanie (tylko niektóre lekcje) +- [quiz rozgrzewkowy przed wykładem](https://ff-quizzes.netlify.app/en/ml/) - pisemną lekcję -- w lekcjach opartych na projekcie: instrukcje krok po kroku jak zbudować projekt -- kontrole wiedzy +- w lekcjach opartych na projektach, przewodniki krok po kroku jak zbudować projekt +- sprawdzenia wiedzy - wyzwanie -- lekturę uzupełniającą +- materiały dodatkowe - zadanie domowe -- [quiz po lekcji](https://ff-quizzes.netlify.app/en/ml/) -> **Nota o językach**: Te lekcje są przede wszystkim napisane w Pythonie, ale wiele z nich jest także dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu `/solution` i poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które oznacza plik **R Markdown**, definiowany jako osadzenie `fragmentów kodu` (w R lub innych językach) i `nagłówka YAML` (który wskazuje, jak formatować wyjścia takie jak PDF) w dokumencie `Markdown`. W ten sposób pełni on rolę przykładowego środowiska autorskiego dla nauki o danych, ponieważ pozwala łączyć kod, jego wyniki oraz Twoje przemyślenia, umożliwiając ich zapisywanie w Markdown. Co więcej, dokumenty R Markdown mogą być renderowane do formatów wyjściowych takich jak PDF, HTML czy Word. - -> **Nota o quizach**: Wszystkie quizy znajdują się w folderze [Quiz App](../../quiz-app), łącznie 52 quizy po trzy pytania w każdym. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby uruchomić ją lokalnie lub wdrożyć na Azure. - -| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Powiązana lekcja | Autor | -| :----------: | :------------------------------------------------------------: | :-----------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------: | -| 01 | Wprowadzenie do uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj podstawowe koncepcje uczenia maszynowego | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | Historia uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj historię stojącą za tą dziedziną | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen i Amy | -| 03 | Sprawiedliwość a uczenie maszynowe | [Introduction](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne związane ze sprawiedliwością, które powinni rozważać studenci budujący i stosujący modele ML?| [Lesson](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | Techniki uczenia maszynowego | [Introduction](1-Introduction/README.md) | Jakich technik używają badacze ML do budowy modeli? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen | -| 05 | Wprowadzenie do regresji | [Regression](2-Regression/README.md) | Zacznij z Pythonem i Scikit-learn dla modeli regresji | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Wizualizuj i czyść dane przygotowując się do ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Buduj modele regresji liniowej i wielomianowej | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau | -| 08 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Zbuduj model regresji logistycznej | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | Aplikacja Webowa 🔌 | [Web App](3-Web-App/README.md) | Zbuduj aplikację webową do wykorzystania swojego wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | Wprowadzenie do klasyfikacji | [Classification](4-Classification/README.md) | Czyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau | -| 11 | Pyszna kuchnia azjatycka i indyjska 🍜 | [Classification](4-Classification/README.md) | Wprowadzenie do klasyfikatorów | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen i Cassie • Eric Wanjau | -| 12 | Pyszna kuchnia azjatycka i indyjska 🍜 | [Classification](4-Classification/README.md) | Więcej klasyfikatorów | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau | -| 13 | Pyszna kuchnia azjatycka i indyjska 🍜 | [Classification](4-Classification/README.md) | Zbuduj webową aplikację rekomendacyjną używając swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | Wprowadzenie do grupowania | [Clustering](5-Clustering/README.md) | Czyść, przygotuj i wizualizuj dane; wprowadzenie do grupowania | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | Poznawanie nigeryjskich gustów muzycznych 🎧 | [Clustering](5-Clustering/README.md) | Poznaj metodę grupowania K-średnich | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | [Natural language processing](6-NLP/README.md) | Naucz się podstaw NLP, budując prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | Typowe zadania NLP ☕️ | [Natural language processing](6-NLP/README.md) | Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane ze strukturą języka | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | Tłumaczenie i analiza sentymentu ♥️ | [Natural language processing](6-NLP/README.md) | Tłumaczenie i analiza sentymentu z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | Romantyczne hotele Europy ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie recenzji hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | Romantyczne hotele Europy ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie recenzji hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | Wprowadzenie do prognozowania szeregów czasowych | [Time series](7-TimeSeries/README.md) | Wprowadzenie do prognozowania szeregów czasowych | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ Światowe zużycie energii ⚡️ - prognozowanie szeregów ARIMA | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z wykorzystaniem ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ Światowe zużycie energii ⚡️ - prognozowanie szeregów SVR | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych za pomocą regresora wektorów nośnych | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | Wprowadzenie do uczenia przez wzmacnianie | [Reinforcement learning](8-Reinforcement/README.md) | Wprowadzenie do uczenia przez wzmacnianie z użyciem Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Pomóż Peterowi uniknąć wilka! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | Przykłady i zastosowania ML w świecie rzeczywistym | [ML in the Wild](9-Real-World/README.md) | Ciekawe i pouczające rzeczywiste zastosowania klasycznego ML | [Lesson](9-Real-World/1-Applications/README.md) | Zespół | -| Postscript | Debugowanie modeli ML za pomocą dashboardu RAI | [ML in the Wild](9-Real-World/README.md) | Debugowanie modeli w uczeniu maszynowym za pomocą komponentów dashboardu Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [znajdź wszystkie dodatkowe materiały do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +- [quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/) +> **Notatka na temat języków**: Te lekcje są głównie napisane w Pythonie, ale wiele jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu `/solution` i poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które oznacza plik **R Markdown**, który można po prostu zdefiniować jako osadzenie `fragmentów kodu` (w R lub innych językach) oraz `nagłówka YAML` (który określa, jak formatować wyjścia, takie jak PDF) w `dokumencie Markdown`. Dzięki temu służy jako wzorcowy framework autorski dla nauki danych, ponieważ pozwala połączyć kod, jego wynik i myśli, umożliwiając zapisanie ich w Markdown. Ponadto dokumenty R Markdown można renderować do formatów wyjściowych, takich jak PDF, HTML lub Word. + +> **Notatka na temat quizów**: Wszystkie quizy znajdują się w [folderze Quiz App](../../quiz-app), razem 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby lokalnie hostować lub wdrożyć na Azure. + +| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Powiązana lekcja | Autor | +| :----------: | :------------------------------------------------------------: | :-------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :-------------------------------------------------: | +| 01 | Wprowadzenie do uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj podstawowe pojęcia uczenia maszynowego | [Lekcja](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | Historia uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Poznaj historię leżącą u podstaw tej dziedziny | [Lekcja](1-Introduction/2-history-of-ML/README.md) | Jen i Amy | +| 03 | Sprawiedliwość i uczenie maszynowe | [Wprowadzenie](1-Introduction/README.md) | Jakie ważne kwestie filozoficzne dotyczące sprawiedliwości powinni rozważyć uczniowie budujący i stosujący modele ML? | [Lekcja](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | Techniki uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Jakich technik używają badacze ML do budowy modeli ML? | [Lekcja](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen | +| 05 | Wprowadzenie do regresji | [Regresja](2-Regression/README.md) | Zacznij pracę z Pythonem i Scikit-learn przy modelach regresji | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | Ceny dyni w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Wizualizuj i oczyść dane w przygotowaniu do ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | Ceny dyni w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Buduj modele regresji liniowej i wielomianowej | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen i Dmitry • Eric Wanjau | +| 08 | Ceny dyni w Ameryce Północnej 🎃 | [Regresja](2-Regression/README.md) | Buduj model regresji logistycznej | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | Aplikacja webowa 🔌 | [Web App](3-Web-App/README.md) | Zbuduj aplikację webową do użycia wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | Wprowadzenie do klasyfikacji | [Klasyfikacja](4-Classification/README.md) | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau | +| 11 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Wprowadzenie do klasyfikatorów | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen i Cassie • Eric Wanjau | +| 12 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Kolejne klasyfikatory | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen i Cassie • Eric Wanjau | +| 13 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Zbuduj aplikację webową do rekomendacji z wykorzystaniem swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Wprowadzenie do grupowania | [Grupowanie](5-Clustering/README.md) | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do grupowania | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | Odkrywanie muzycznych gustów Nigerii 🎧 | [Grupowanie](5-Clustering/README.md) | Poznaj metodę grupowania K-średnich | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Poznaj podstawy NLP, budując prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | Typowe zadania NLP ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Rozszerz swoją wiedzę o NLP, poznając typowe zadania wymagane przy pracy ze strukturami językowymi | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | Tłumaczenie i analiza sentymentu ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Tłumaczenie i analiza sentymentu z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | Romantyczne hotele Europy ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Analiza sentymentu na podstawie opinii hotelowych 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | Romantyczne hotele Europy ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md) | Analiza sentymentu na podstawie opinii hotelowych 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | Wprowadzenie do prognozowania szeregów czasowych | [Szeregi czasowe](7-TimeSeries/README.md) | Wprowadzenie do prognozowania szeregów czasowych | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z ARIMA | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z SVR | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z regressorami wektorów nośnych | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | Wprowadzenie do uczenia ze wzmocnieniem | [Uczenie ze wzmocnieniem](8-Reinforcement/README.md) | Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | Pomóż Peterowi uniknąć wilka! 🐺 | [Uczenie ze wzmocnieniem](8-Reinforcement/README.md) | Uczenie ze wzmocnieniem z użyciem Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Postscript | Scenariusze i zastosowania ML w świecie rzeczywistym | [ML w terenie](9-Real-World/README.md) | Ciekawe i pouczające zastosowania klasycznego ML w rzeczywistych sytuacjach | [Lekcja](9-Real-World/1-Applications/README.md) | Zespół | +| Postscript | Debugowanie modeli ML z użyciem panelu RAI | [ML w terenie](9-Real-World/README.md) | Debugowanie modeli ML przy użyciu komponentów panelu Responsible AI | [Lekcja](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Dostęp offline -Możesz korzystać z tej dokumentacji offline, używając [Docsify](https://docsify.js.org/#/). Skuś się na forka tego repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim lokalnym komputerze, a następnie w katalogu głównym tego repozytorium wpisz `docsify serve`. Strona będzie udostępniona na porcie 3000 na Twoim localhost: `localhost:3000`. +Możesz korzystać z tej dokumentacji offline, używając [Docsify](https://docsify.js.org/#/). Utwórz fork tego repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim komputerze, a następnie w głównym folderze repozytorium wpisz `docsify serve`. Strona będzie dostępna na porcie 3000 na twoim lokalnym hoście: `localhost:3000`. ## Pliki PDF -Znajdź pdf programu nauczania z linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). +Znajdź pdf z programem nauczania z linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). -## 🎒 Inne kursy -Nasz zespół tworzy także inne kursy! Sprawdź: +## 🎒 Inne kursy + +Nasz zespół tworzy inne kursy! Sprawdź: ### LangChain -[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) -[![LangChain for Beginners](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j dla początkujących](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js dla początkujących](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain dla początkujących](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- -### Azure / Edge / MCP / Agents -[![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +### Azure / Edge / MCP / Agenci +[![AZD dla początkujących](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI dla początkujących](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [![MCP dla początkujących](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) [![AI Agents dla początkujących](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### Seria Sztucznej Inteligencji Generatywnej -[![Sztuczna inteligencja generatywna dla początkujących](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Sztuczna inteligencja generatywna (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![Sztuczna inteligencja generatywna (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![Sztuczna inteligencja generatywna (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### Seria Generative AI +[![Generative AI dla początkujących](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### Podstawowe nauczanie -[![Uczenie maszynowe dla początkujących](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +### Podstawowa nauka +[![ML dla początkujących](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [![Data Science dla początkujących](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![Sztuczna inteligencja dla początkujących](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![AI dla początkujących](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) [![Cyberbezpieczeństwo dla początkujących](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Tworzenie stron internetowych dla początkujących](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![Web Dev dla początkujących](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [![IoT dla początkujących](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![Tworzenie XR dla początkujących](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +[![XR Development dla początkujących](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Seria Copilot -[![Copilot do programowania w parach z AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot dla AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot dla C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Przygody Copilota](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Uzyskiwanie pomocy -Jeśli utkniesz lub masz pytania dotyczące budowania aplikacji AI. Dołącz do innych uczących się i doświadczonych deweloperów w dyskusjach na temat MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza chętnie dzielona. +Jeśli utkniesz lub masz pytania podczas nauki uczenia maszynowego lub tworzenia aplikacji AI, nie martw się — pomoc jest dostępna. -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +Możesz dołączyć do dyskusji z innymi uczącymi się i programistami, zadawać pytania i dzielić się swoimi pomysłami ze społecznością. + +- Dołącz do społeczności, aby zadawać pytania i uczyć się z innymi +- Dyskutuj o koncepcjach uczenia maszynowego i pomysłach na projekty +- Uzyskaj wskazówki od doświadczonych programistów + +Wsparcie ze strony społeczności to świetny sposób na rozwój umiejętności i szybsze rozwiązywanie problemów. -Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas tworzenia, odwiedź: +[Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG) + +Jeśli napotkasz błędy, problemy lub masz sugestie ulepszeń, możesz także otworzyć **Issue** w tym repozytorium, aby zgłosić problem. + +Aby przekazać opinię o produkcie lub przeszukać istniejące posty społeczności, odwiedź Forum Deweloperów: [![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -## Dodatkowe wskazówki do nauki + +## Dodatkowe wskazówki dotyczące nauki - Przeglądaj notatniki po każdej lekcji, aby lepiej zrozumieć materiał. -- Ćwicz samodzielne wdrażanie algorytmów. -- Eksploruj rzeczywiste zbiory danych wykorzystując poznane koncepcje. +- Ćwicz samodzielne implementowanie algorytmów. +- Eksploruj rzeczywiste zestawy danych, korzystając z poznanych koncepcji. --- **Zastrzeżenie**: -Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczeń AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy starań, aby tłumaczenie było jak najdokładniejsze, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy uważać za źródło nadrzędne. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia. +Ten dokument został przetłumaczony przy użyciu usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji istotnych zalecane jest skorzystanie z profesjonalnego, ludzkiego tłumaczenia. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia. \ No newline at end of file diff --git a/translations/tr/.co-op-translator.json b/translations/tr/.co-op-translator.json index f360a8256..3d4f2403a 100644 --- a/translations/tr/.co-op-translator.json +++ b/translations/tr/.co-op-translator.json @@ -90,8 +90,8 @@ "language_code": "tr" }, "2-Regression/3-Linear/README.md": { - "original_hash": "9a8359f1945bd3beccccb2b46592580e", - "translation_date": "2026-02-28T08:55:36+00:00", + "original_hash": "26c53a922f1f1e8542b0ea41ff52221a", + "translation_date": "2026-04-20T17:34:37+00:00", "source_file": "2-Regression/3-Linear/README.md", "language_code": "tr" }, @@ -168,8 +168,8 @@ "language_code": "tr" }, "4-Classification/2-Classifiers-1/README.md": { - "original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b", - "translation_date": "2025-09-06T07:58:54+00:00", + "original_hash": "cb761595e5b6c42b99bb81bd13683311", + "translation_date": "2026-04-20T17:35:29+00:00", "source_file": "4-Classification/2-Classifiers-1/README.md", "language_code": "tr" }, @@ -552,8 +552,8 @@ "language_code": "tr" }, "README.md": { - "original_hash": "7fb48097f57e680b380cd9aae988d317", - "translation_date": "2026-04-06T16:45:33+00:00", + "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", + "translation_date": "2026-04-20T17:33:21+00:00", "source_file": "README.md", "language_code": "tr" }, diff --git a/translations/tr/2-Regression/3-Linear/README.md b/translations/tr/2-Regression/3-Linear/README.md index 8f9f4b384..e102bca19 100644 --- a/translations/tr/2-Regression/3-Linear/README.md +++ b/translations/tr/2-Regression/3-Linear/README.md @@ -1,135 +1,136 @@ # Scikit-learn kullanarak regresyon modeli oluşturma: dört farklı regresyon yöntemi -## Başlangıç Notu +## Yeni Başlayanlar için Not -Lineer regresyon, **sayısal bir değeri** tahmin etmek istediğimizde kullanılır (örneğin, ev fiyatı, sıcaklık veya satışlar). -Girdi özellikleri ile çıktı arasındaki ilişkiyi en iyi temsil eden doğruyu bulmakla çalışır. +Doğrusal regresyon, **sayısal bir değeri** (örneğin, ev fiyatı, sıcaklık veya satışlar) tahmin etmek istediğimizde kullanılır. +Bu yöntemde, giriş özellikleri ile çıktı arasındaki ilişkiyi en iyi temsil eden düz bir çizgi bulunur. -Bu derste, daha ileri regresyon tekniklerini keşfetmeden önce kavramı anlamaya odaklanıyoruz. -![Lineer ve polinom regresyon bilgigramı](../../../../translated_images/tr/linear-polynomial.5523c7cb6576ccab.webp) -> Bilgigram: [Dasani Madipalli](https://twitter.com/dasani_decoded) -## [Ön ders sınavı](https://ff-quizzes.netlify.app/en/ml/) +Bu derste, daha ileri regresyon tekniklerini keşfetmeden önce temel kavramı anlamaya odaklanacağız. +![Doğrusal ve polinomsal regresyon infografiği](../../../../translated_images/tr/linear-polynomial.5523c7cb6576ccab.webp) +> İnfografik [Dasani Madipalli](https://twitter.com/dasani_decoded) tarafından +## [Ön-ders sınavı](https://ff-quizzes.netlify.app/en/ml/) -> ### [Bu ders R dilinde de mevcut!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) +> ### [Bu ders R dilinde de mevcuttur!](../../../../2-Regression/3-Linear/solution/R/lesson_3.html) ### Giriş -Şimdiye kadar, balkabağı fiyatlandırma veri setinden toplanan örnek verilerle regresyonun ne olduğunu keşfettiniz. Ayrıca Matplotlib kullanarak bu veriyi görselleştirdiniz. +Şimdiye kadar, balkabağı fiyatlandırma veri setinden toplanan örnek verilerle regresyonun ne olduğu hakkında bilgi edindiniz. Ayrıca Matplotlib kullanarak bunu görselleştirdiniz. -Artık makine öğrenimi için regresyona daha derinlemesine dalmaya hazırsınız. Görselleştirme veriyi anlamanızı sağlarken, makine öğreniminin gerçek gücü _modellerin eğitilmesinden_ gelir. Modeller, geçmiş veriler üzerinde eğitilerek veri bağımlılıklarını otomatik olarak yakalar ve modelin daha önce görmediği yeni veriler için sonuçlar tahmin etmenizi sağlar. +Şimdi Makine Öğrenimi için regresyona daha derinlemesine dalmaya hazırsınız. Görselleştirme, veriyi anlamlandırmanıza olanak sağlarken, Makine Öğrenimi'nin gerçek gücü modellerin _eğitilmesinden_ gelir. Modeller geçmiş verilere göre eğitilir ve veri bağımlılıklarını otomatik olarak yakalar, böylece modelin daha önce görmediği yeni veriler için tahmin yapmanızı sağlar. -Bu derste, _temel lineer regresyon_ ve _polinom regresyon_ olmak üzere iki regresyon türü ve bu tekniklerin altında yatan matematik hakkında daha fazla bilgi edineceksiniz. Bu modeller farklı girdi verilerine bağlı olarak balkabağı fiyatlarını tahmin etmemizi sağlayacak. +Bu derste, _temel doğrusal regresyon_ ve _polinomsal regresyon_ olmak üzere iki regresyon türünü ve bu tekniklerin altında yatan bazı matematikleri öğreneceksiniz. Bu modeller, farklı giriş verilerine bağlı olarak balkabağı fiyatlarını tahmin etmemize olanak sağlayacak. -[![ML for beginners - Understanding Linear Regression](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "ML for beginners - Understanding Linear Regression") +[![Yeni başlayanlar için ML - Doğrusal Regresyonu Anlamak](https://img.youtube.com/vi/CRxFT8oTDMg/0.jpg)](https://youtu.be/CRxFT8oTDMg "Yeni başlayanlar için ML - Doğrusal Regresyonu Anlamak") -> 🎥 Lineer regresyona kısa video genel bakışı için yukarıdaki görsele tıklayın. +> 🎥 Doğrusal regresyon hakkında kısa bir video özeti için yukarıdaki resme tıklayın. -> Bu eğitim programı boyunca matematik bilgisi asgari düzeyde varsayılmakta ve farklı alanlardan gelen öğrenciler için erişilebilir olmayı hedeflemektedir. Bu yüzden notlar, 🧮 alıntılar, diyagramlar ve diğer öğrenme araçlarına dikkat edin. +> Bu müfredat boyunca, matematik bilgimizin minimum düzeyde olduğunu varsayıyoruz ve bu konuyu diğer alanlardan gelen öğrenciler için erişilebilir kılmaya çalışıyoruz. Bu yüzden anlaşılmayı kolaylaştırmak için notlar, 🧮 açıklamalar, diyagramlar ve diğer öğrenme araçlarına dikkat edin. ### Ön Koşul -Şu ana kadar incelediğimiz balkabağı verisinin yapısına aşina olmalısınız. Bu dersin _notebook.ipynb_ dosyasında önceden yüklenmiş ve temizlenmiş olarak bulabilirsiniz. Bu dosyada balkabağı fiyatı bushel başına yeni bir veri çerçevesinde gösterilmiştir. -Visual Studio Code'da kernel kullanarak bu not defterlerini çalıştırabildiğinizden emin olun. +Artık incelediğimiz balkabağı verisinin yapısına aşina olmalısınız. Bu dersin _notebook.ipynb_ dosyasında önceden yüklenmiş ve önceden temizlenmiş halde bulunmaktadır. Dosyada balkabağı fiyatı bushel başına yeni bir veri çerçevesinde gösterilmektedir. Bu not defterlerini Visual Studio Code'daki çekirdeklerde çalıştırabildiğinizden emin olun. ### Hazırlık -Hatırlatma olarak, bu veriyi sorular sormak için yüklüyorsunuz. +Hatırlatma olarak, bu verileri sorular sormak için yüklüyorsunuz. -- Balkabaklarını satın almak için en iyi zaman ne zaman? -- Minyatür balkabaklarının bir kasası için hangi fiyatı bekleyebilirim? -- Onları yarım bushel sepetlerde mi yoksa 1 1/9 bushel kutuda mı almalıyım? -Veri üzerinde kazıma işlemine devam edelim. +- Balkabaklarını satın almak için en iyi zaman ne zamandır? +- Minyatür balkabaklarından bir kutu için ne kadar fiyat bekleyebilirim? +- Onları yarım bushel sepetlerde mi yoksa 1 1/9 bushel kutularda mı almalıyım? +Veriye daha derinlemesine bakalım. -Önceki derste, bir Pandas veri çerçevesi oluşturdunuz ve orijinal veri setinin bir kısmını bushel bazında fiyatlandırmayı standartlaştırarak doldurdunuz. Ancak bu şekilde sadece sonbahar ayları için yaklaşık 400 veri noktası toplamış oldunuz. +Önceki derste, Pandas veri çerçevesi oluşturdunuz ve fiyatlandırmayı bushel bazında standartlaştırarak orijinal veri setinin bir kısmını doldurdunuz. Ancak bu şekilde sadece yaklaşık 400 veri noktası toplayabildiniz ve sadece sonbahar aylarına ait veriler oldu. -Bu derse eşlik eden not defterinde önceden yüklenmiş verilere göz atın. Veri ön yüklendi ve ay verisini göstermek için ilk dağılım grafiği çizildi. Veriyi daha fazla temizleyerek doğası hakkında biraz daha detay alabiliriz. +Bu derse eşlik eden not defterinde önceden yüklenmiş veriye bir göz atın. Veri önceden yüklü ve ay verisini göstermek için ilk bir dağılım grafiği çizildi. Belki veriyi daha da temizleyerek verinin doğası hakkında biraz daha detay alabiliriz. -## Bir lineer regresyon doğrusu +## Doğrusal regresyon çizgisi -Ders 1'de öğrendiğiniz gibi, lineer regresyon çalışmasının amacı şu şekildedir: +Ders 1'de öğrendiğiniz gibi, doğrusal regresyon egzersizinin amacı bir çizgi çizmek ve: -- **Değişken ilişkilerini göstermek**. Değişkenler arasındaki ilişkiyi göstermek -- **Tahmin yapmak**. Yeni bir veri noktasının bu doğruya göre nerede yer alacağını doğru tahmin etmek +- **Değişken ilişkilerini göstermek**. Değişkenler arasındaki ilişkiyi göstermek +- **Tahmin yapmak**. Yeni bir veri noktasının o çizgiye göre nerede düşeceğini doğru şekilde tahmin etmek -Bu tür doğruların çizimi için tipik olan **En Küçük Kareler Regresyonu** yöntemidir. "En Küçük Kareler" terimi, modelimizdeki toplam hatayı minimize etme sürecine atıfta bulunur. Her veri noktası için, gerçek nokta ile regresyon doğrumuz arasındaki dikey mesafeyi (rezidü olarak da adlandırılır) ölçeriz. +**En Küçük Kareler Regresyonu** genellikle bu tür bir çizgiyi çizer. "En Küçük Kareler" terimi modelimizdeki toplam hatayı minimize etmeyi ifade eder. Her veri noktası için gerçek nokta ile regresyon çizgisi arasındaki dikey mesafe (kalan) ölçülür. -Bu mesafeleri iki temel nedenle karesini alırız: +Bu mesafeleri kareye almamızın iki temel sebebi vardır: -1. **Büyüklük yönünden üstünlük:** -5 hata ile +5 hata aynı şekilde ele alınmalı. Karesini almak tüm değerleri pozitif yapar. +1. **Büyüklük, Yönden Önde:** -5 hatasını +5 hatası ile aynı şekilde ele almak istiyoruz. Karekök alma işlemi tüm değerleri pozitif yapar. -2. **Aykırı Değerlere Ceza:** Karesini almak daha büyük hatalara daha fazla ağırlık verir ve doğrunun uzak noktaların yakınında kalmasını zorunlu kılar. +2. **Aykırı Değerleri Cezalandırma:** Karekök alma büyük hatalara daha fazla ağırlık verir ve çizgiyi uzak noktalara daha yakın tutmaya zorlar. -Sonra bu karelenmiş değerlerin tümünü toplarız. Amacımız bu toplamın en küçük olduğu doğruyu bulmaktır; bu yüzden adı "En Küçük Kareler"dir. +Sonra bu kareleri toplarız. Amaç, toplam karenin en küçük olduğu çizgiyi bulmaktır — bu yüzden adı "En Küçük Kareler"dir. -> **🧮 Matematiği Göster** -> -> Bu doğru, _en uygun uyum doğrusudur_ ve [bir denklemle](https://en.wikipedia.org/wiki/Simple_linear_regression) ifade edilebilir: -> +> **🧮 Matematiği göster** +> +> En uygun çizgi (line of best fit) şu [denklemle ifade edilir](https://en.wikipedia.org/wiki/Simple_linear_regression): +> > ``` > Y = a + bX > ``` -> -> `X` 'açıklayıcı değişken'dir. `Y` ise 'bağımlı değişken'dir. Doğrunun eğimi `b` ve `a` y-kesiti olup, `X = 0` olduğunda `Y` değerini ifade eder. -> ->![eğimi hesapla](../../../../translated_images/tr/slope.f3c9d5910ddbfcf9.webp) -> Önce eğimi `b` hesaplayın. Bilgigram: [Jen Looper](https://twitter.com/jenlooper) -> -> Başka bir deyişle ve balkabağı verimizin asıl sorusuna atıfta bulunursak: "ay bazında bushel başına balkabağı fiyatını tahmin et", burada `X` fiyatı, `Y` ise satış ayını temsil eder. -> ->![denklemi tamamla](../../../../translated_images/tr/calculation.a209813050a1ddb1.webp) -> Y'nin değerini hesaplayın. Yaklaşık $4 ödüyorsanız, bu kesinlikle Nisan ayıdır! Bilgigram: [Jen Looper](https://twitter.com/jenlooper) -> -> Doğruyu hesaplayan matematik, doğrunun eğimini göstermeli, bu da kesit değerine, yani `Y`'nin `X = 0` olduğundaki konumuna bağlıdır. -> -> Bu değerlerin hesaplanma yöntemini [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html) sitesinde görebilirsiniz. Ayrıca sayıların çizgi üzerindeki etkisini görmek için [bu En-Küçük Kareler hesaplayıcısını](https://www.mathsisfun.com/data/least-squares-calculator.html) ziyaret edin. +> +> `X` 'açıklayıcı değişken'dir. `Y` 'bağımlı değişken'dir. Çizginin eğimi `b` ve `a`, `X = 0` iken `Y` değerini ifade eden y-kesişimidir. +> +>![eğimi hesapla](../../../../translated_images/tr/slope.f3c9d5910ddbfcf9.webp) +> +> Öncelikle eğimi `b` hesaplayın. İnfografik [Jen Looper](https://twitter.com/jenlooper) tarafından +> +> Başka bir deyişle, balkabağı verimizin orijinal sorusu olan: "ay bazında bushel başına balkabağı fiyatını tahmin et" durumunda, `X` fiyatı ifade ederken, `Y` satış ayını temsil eder. +> +>![denklem tamamla](../../../../translated_images/tr/calculation.a209813050a1ddb1.webp) +> +> Y değerini hesaplayın. Yaklaşık 4$ ödüyorsanız, Nisan olmalı! İnfografik [Jen Looper](https://twitter.com/jenlooper) tarafından +> +> Düzgün çizgiyi hesaplayan matematik, eğimi ve aynı zamanda `X = 0` iken `Y`'nin konumunu gösteren y-kesişimini içermektedir. +> +> Bu değerlerin hesaplama yöntemini [Math is Fun](https://www.mathsisfun.com/data/least-squares-regression.html) sitesinde görebilirsiniz. Ayrıca [bu En Küçük Kareler hesaplayıcısını](https://www.mathsisfun.com/data/least-squares-calculator.html) ziyaret ederek sayı değerlerinin çizgiye etkisini izleyebilirsiniz. ## Korelasyon -Anlamanız gereken bir diğer terim, verilen X ve Y değişkenleri arasındaki **Korelasyon Katsayısı**dır. Bir dağılım grafiği kullanarak bu katsayıyı hızlıca görselleştirebilirsiniz. Noktaların düzgün bir doğru üzerindeyse yüksek korelasyon, her yere saçılmışsa düşük korelasyon vardır. +Bir diğer önemli terim de verilen X ve Y değişkenleri arasındaki **Korelasyon Katsayısıdır**. Bir dağılım grafiği kullanarak bu katsayıyı hızlıca görselleştirebilirsiniz. Veriler düzgün bir çizgi üzerinde ise yüksek korelasyon vardır, ama veriler X ve Y arasında rastgele dağılmışsa korelasyon düşüktür. -İyi bir lineer regresyon modeli, En Küçük Kareler Regresyon yöntemi ve bir regresyon doğrusu kullanarak yüksek (0'a değil 1'e daha yakın) bir Korelasyon Katsayısına sahip olacaktır. +İyi bir doğrusal regresyon modeli, En Küçük Kareler Regresyon yöntemi ile çizilmiş regresyon çizgisi kullanarak yüksek (0'a değil, 1'e yakın) bir Korelasyon Katsayısına sahip olandır. -✅ Bu derse eşlik eden not defterini çalıştırın ve Ay ile Fiyat arasındaki dağılım grafiğine bakın. Görsel değerlendirmenize göre Balkabağı satışları için Ay ile Fiyat arasındaki veri yüksek mi yoksa düşük korelasyon mu gösteriyor? Daha ayrıntılı bir ölçüm olarak `Ay` yerine *yılın günü* (örneğin, yıl başından itibaren geçen gün sayısı) kullanırsanız bu değişir mi? +✅ Bu derse eşlik eden not defterini çalıştırın ve Ay ile Fiyat arasındaki dağılım grafiğine bakın. Dağınık grafik yorumu ile balkabağı satışlarında Ay ile Fiyat arasında yüksek mi yoksa düşük mü bir korelasyon görüyorsunuz? Ay yerine *yılın günü* gibi daha ince bir ölçüm kullandığınızda değişir mi? -Aşağıdaki kodda, verinin temizlendiğini ve `new_pumpkins` adında aşağıdakine benzer bir veri çerçevesi elde edildiğini varsayıyoruz: +Aşağıdaki kodda, verinin temizlendiğini ve `new_pumpkins` adında aşağıdakine benzer bir veri çerçevesi elde edildiğini varsayacağız: -ID | Ay | YilinGunu | Çeşit | Şehir | Paket | Düşük Fiyat | Yüksek Fiyat | Fiyat ----|-------|-----------|---------|------|---------|-----------|------------|------- -70 | 9 | 267 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 15.0 | 15.0 | 13.636364 -71 | 9 | 267 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 18.0 | 18.0 | 16.363636 -72 | 10 | 274 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 18.0 | 18.0 | 16.363636 -73 | 10 | 274 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 17.0 | 17.0 | 15.454545 -74 | 10 | 281 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 15.0 | 15.0 | 13.636364 +ID | Ay | YılınGünü | Çeşit | Şehir | Paket | Düşük Fiyat | Yüksek Fiyat | Fiyat +---|-------|-----------|---------|------|---------|-----------|------------|------- +70 | 9 | 267 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 15.0 | 15.0 | 13.636364 +71 | 9 | 267 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 18.0 | 18.0 | 16.363636 +72 | 10 | 274 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 18.0 | 18.0 | 16.363636 +73 | 10 | 274 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 17.0 | 17.0 | 15.454545 +74 | 10 | 281 | TURTA TİPİ | BALTIMORE | 1 1/9 bushel karton | 15.0 | 15.0 | 13.636364 -> Veriyi temizleme kodu [`notebook.ipynb`](notebook.ipynb) dosyasında mevcuttur. Önceki derste yaptığımız aynı temizlik adımlarını uyguladık ve `DayOfYear` sütununu aşağıdaki ifadeyi kullanarak hesapladık: +> Veriyi temizlemek için kullanılan kod [`notebook.ipynb`](notebook.ipynb) dosyasında mevcuttur. Önceki derste yapılan aynı temizleme adımları uygulanmıştır ve `DayOfYear` sütunu aşağıdaki ifade ile hesaplanmıştır: ```python day_of_year = pd.to_datetime(pumpkins['Date']).apply(lambda dt: (dt-datetime(dt.year,1,1)).days) ``` - -Lineer regresyonun matematiğini anladığınıza göre, hangi balkabağı paketinin en iyi fiyatlara sahip olacağını tahmin etmek için bir Regresyon modeli oluşturalım. Birisi tatil balkabağı bahçesinde balkabağı satın alıyorsa, bahçe için balkabağı paketlerini optimize etmek amacıyla bu bilgi faydalı olabilir. + +Doğrusal regresyonun matematiğini anladığınıza göre, hangi balkabağı paketinin en iyi fiyatı sağlayacağını tahmin etmek için bir Regresyon modeli oluşturalım. Tatil balkabağı tarlası için balkabağı alan biri, satın alımlarını optimize edebilmek adına bu bilgiye ihtiyaç duyabilir. ## Korelasyon Arayışı -[![ML for beginners - Korelasyon Arayışı: Lineer Regresyonun Anahtarı](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "ML for beginners - Korelasyon Arayışı: Lineer Regresyonun Anahtarı") +[![Yeni başlayanlar için ML - Korelasyon Arayışı: Doğrusal Regresyonun Anahtarı](https://img.youtube.com/vi/uoRq-lW2eQo/0.jpg)](https://youtu.be/uoRq-lW2eQo "Yeni başlayanlar için ML - Korelasyon Arayışı: Doğrusal Regresyonun Anahtarı") -> 🎥 Korelasyon hakkında kısa video genel bakışı için yukarıdaki görsele tıklayın. +> 🎥 Korelasyon hakkında kısa bir video özeti için yukarıdaki resme tıklayın. -Önceki dersten muhtemelen farklı aylar için ortalama fiyatların şu şekilde olduğunu görmüştünüz: +Önceki dersten muhtemelen farklı ayların ortalama fiyatının şöyle göründüğünü gördünüz: -Aya göre ortalama fiyat +Aylara göre ortalama fiyat -Bu, bir korelasyon olabileceğini düşündürür ve `Ay` ile `Fiyat` ya da `YilinGunu` ile `Fiyat` arasındaki ilişkiyi tahmin etmek için lineer regresyon modeli eğitebiliriz. İşte sonuncuyu gösteren dağılım grafiği: +Bu, bir miktar korelasyon olduğunu düşündürür ve `Ay` ile `Fiyat` veya `YılınGünü` ile `Fiyat` arasındaki ilişkiyi tahmin etmek için doğrusal regresyon modeli eğitebiliriz. Aşağıda sonuncusu gösteren bir dağılım grafiği bulunmaktadır: -Fiyat vs. Yılın Günü dağılım grafiği +Yılın Günü ve Fiyat Dağılım Grafiği -Korelasyonu `corr` fonksiyonuyla görelim: +`corr` fonksiyonunu kullanarak korelasyonu kontrol edelim: ```python print(new_pumpkins['Month'].corr(new_pumpkins['Price'])) print(new_pumpkins['DayOfYear'].corr(new_pumpkins['Price'])) ``` - -Görünüşe göre korelasyon oldukça düşük, `Ay` için -0.15 ve `YilinGunu` için -0.17, ancak başka önemli bir ilişki olabilir. Farklı balkabağı çeşitlerine karşılık gelen farklı fiyat kümeleri var gibi. Bu hipotezi doğrulamak için her balkabağı kategorisini farklı renklerle çizelim. `scatter` çizim fonksiyonuna bir `ax` parametresi geçirilerek tüm noktalar aynı grafikte çizilebilir: + +Görüldüğü gibi korelasyon oldukça küçük, `Ay` için -0.15, `YılınGünü` için ise -0.17, fakat başka önemli bir ilişki olabilir. Fiyatların farklı balkabağı çeşitlerine göre kümelendiği görünüyor. Bu hipotezi doğrulamak için, her balkabağı kategorisini farklı renkte gösterelim. `scatter` fonksiyonuna bir `ax` parametresi vererek tüm noktaları aynı grafik üzerinde çizebiliriz: ```python ax=None @@ -138,92 +139,93 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()): df = new_pumpkins[new_pumpkins['Variety']==var] ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var) ``` - -Fiyat vs. Yılın Günü (renkli) dağılım grafiği -Araştırmalarımız, çeşidin satış tarihinden daha fazla fiyat üzerinde etkisi olduğunu gösteriyor. Bunu bir çubuk grafikle görebiliriz: +Yılın Günü ve Fiyat Dağılım Grafiği Renkli + +İncelemenize göre, çeşit genel fiyata satış tarihinden daha fazla etki ediyor. Bir çubuk grafik ile de görebiliriz: ```python new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar') ``` - -Çeşide göre fiyat çubuk grafiği -Şimdilik yalnızca bir balkabağı çeşidine, 'turta tipi'ne, odaklanalım ve tarihin fiyat üzerindeki etkisine bakalım: +Fiyat ve Çeşit Çubuk Grafiği + +Şimdi sadece bir balkabağı çeşidi olan 'turta tipi' üzerinde duralım ve tarihin fiyat üzerindeki etkisini görelim: ```python pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE'] pie_pumpkins.plot.scatter('DayOfYear','Price') ``` -Fiyat vs. Yılın Günü dağılım grafiği +Yılın Günü ve Fiyat Dağılım Grafiği -Şimdi `Price` ve `YilinGunu` arasında `corr` fonksiyonunu kullanarak korelasyon hesaplarsak, yaklaşık `-0.27` buluruz - ki bu da tahmin modeli eğitmenin mantıklı olduğunu gösterir. +Şimdi `Price` ve `DayOfYear` arasındaki korelasyonu `corr` fonksiyonu ile hesaplayalım; yaklaşık `-0.27` alacağız — bu, tahmin modelleri eğitmenin mantıklı olduğunu gösteriyor. -> Lineer regresyon modeli eğitmeden önce, verinin temiz olması önemlidir. Lineer regresyon eksik değerlerle iyi çalışmaz, bu yüzden boş hücrelerden kurtulmak mantıklıdır: +> Doğrusal regresyon modeli eğitmeden önce verimizin temiz olduğundan emin olmak önemlidir. Doğrusal regresyon eksik değerlerle iyi çalışmaz, bu yüzden boş hücreleri temizlemek mantıklıdır: ```python pie_pumpkins.dropna(inplace=True) pie_pumpkins.info() ``` - -Diğer bir yaklaşım, boş değerleri ilgili sütunun ortalama değerleriyle doldurmaktır. -## Basit Lineer Regresyon +Başka bir yöntem ise o boş değerleri ilgili sütunun ortalama değerleri ile doldurmaktır. + +## Basit Doğrusal Regresyon -[![ML for beginners - Scikit-learn ile Lineer ve Polinom Regresyon](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "ML for beginners - Scikit-learn ile Lineer ve Polinom Regresyon") +[![Yeni başlayanlar için ML - Scikit-learn kullanarak Doğrusal ve Polinomsal Regresyon](https://img.youtube.com/vi/e4c_UP2fSjg/0.jpg)](https://youtu.be/e4c_UP2fSjg "Yeni başlayanlar için ML - Scikit-learn kullanarak Doğrusal ve Polinomsal Regresyon") -> 🎥 Lineer ve polinom regresyon hakkında kısa video genel bakışı için yukarıdaki görsele tıklayın. +> 🎥 Doğrusal ve polinomsal regresyon hakkında kısa video özeti için yukarıdaki resme tıklayın. -Lineer Regresyon modelimizi eğitmek için **Scikit-learn** kütüphanesini kullanacağız. +Doğrusal Regresyon modelimizi eğitmek için **Scikit-learn** kütüphanesini kullanacağız. ```python from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error from sklearn.model_selection import train_test_split ``` - -Girdi değerlerini (özellikler) ve beklenen çıktıyı (etiket) ayrı numpy dizilerine ayırarak başlıyoruz: + +Giriş değerlerini (özellikleri) ve beklenen çıktıyı (etiket) ayrı numpy dizileri olarak ayırarak başlıyoruz: ```python X = pie_pumpkins['DayOfYear'].to_numpy().reshape(-1,1) y = pie_pumpkins['Price'] ``` - -> Lineer Regresyon paketinin doğru anlayabilmesi için girdi verilerini `reshape` yapmamız gerektiğine dikkat edin. Lineer Regresyon, her satırı bir özellik vektörünü temsil eden 2D diziyi bekler. Bizim durumumuzda sadece bir girdi olduğundan, N×1 yapısında bir dizi gerekir, burada N veri seti büyüklüğüdür. -Sonra, modeli eğitip doğrulayabilmek için veriyi eğitim ve test veri setlerine bölmemiz gerekiyor: +> Giriş verisini Linear Regression paketinin doğru anlaması için `reshape` işlemi yapmamız gerektiğine dikkat edin. Doğrusal Regresyon, girdi olarak her satırı bir özellik vektörü olan 2D bir dizi bekler. Bizim durumumuzda sadece bir girdi olduğundan, array boyutu N×1 (N veri seti büyüklüğü) olmalıdır. + +Sonra modeli eğitim ve test verisi olarak bölmemiz gerekmektedir, böylece eğitim sonrası modelimizi doğrulayabiliriz: ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) ``` - -Son olarak, gerçek Lineer Regresyon modelinin eğitimi sadece iki kod satırı alır. `LinearRegression` nesnesini tanımlarız ve `fit` metodu ile verimize uyarlarız: + +Son olarak, gerçek Doğrusal Regresyon modelinin eğitilmesi sadece iki satır kod alır. `LinearRegression` nesnesini tanımlıyoruz ve `fit` metodu ile veriye uyduruyoruz: ```python lin_reg = LinearRegression() lin_reg.fit(X_train,y_train) ``` - -`LinearRegression` nesnesi `fit` edildikten sonra regresyonun tüm katsayılarını içerir ve bunlara `.coef_` özelliği aracılığıyla erişilebilir. Bizim durumumuzda, sadece bir katsayı vardır ve bu yaklaşık `-0.017` civarında olmalıdır. Bu, fiyatların zamanla biraz azaldığını ancak çok fazla olmadığını, yaklaşık olarak günde 2 sent düştüğünü gösterir. Regresyonun Y ekseniyle kesiştiği noktaya ise `lin_reg.intercept_` kullanılarak erişilebilir - bizim durumumuzda bu yaklaşık `21` olacak ve yılın başındaki fiyatı gösterecektir. -Modelimizin ne kadar doğru olduğunu görmek için test veri seti üzerinde fiyatları tahmin edebilir ve ardından tahminlerimizin beklenen değerlere ne kadar yakın olduğunu ölçebiliriz. Bu, beklenen ve tahmin edilen değer arasındaki tüm kare farklarının ortalaması olan ortalama kare hata (MSE) metriği ile yapılabilir. +`fit` işleminden sonra `LinearRegression` nesnesi regresyonun tüm katsayılarını içerir ve bunlara `.coef_` özelliği aracılığıyla erişilebilir. Bizim durumumuzda, yalnızca bir katsayı vardır ve bu yaklaşık `-0.017` civarında olmalıdır. Bu, fiyatların zamanla biraz düşme eğiliminde olduğunu gösterir, ancak çok fazla değil, günde yaklaşık 2 sent kadar. Regresyonun Y eksenini kestiği noktaya `lin_reg.intercept_` ile erişebiliriz - bizim örneğimizde bu yaklaşık `21` olacak ve yılın başındaki fiyatı gösterir. + +Modelimizin ne kadar doğru olduğunu görmek için test veri seti üzerinde fiyatları tahmin edebilir ve ardından tahminlerimizin beklenen değerlere ne kadar yakın olduğunu ölçebiliriz. Bu, beklenen ve tahmin edilen değerler arasındaki tüm kare farkların ortalamasının karekökü olan kök ortalama kare hata (RMSE) metriği kullanılarak yapılabilir. ```python pred = lin_reg.predict(X_test) -mse = np.sqrt(mean_squared_error(y_test,pred)) -print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)') +rmse = np.sqrt(mean_squared_error(y_test,pred)) +print(f'RMSE: {rmse:3.3} ({rmse/np.mean(pred)*100:3.3}%)') ``` -Hata oranımız yaklaşık 2 puan, yani ~%17 civarında görünüyor. Çok iyi değil. Model kalitesinin diğer bir göstergesi ise **belirleme katsayısı**dır ve bu şöyle elde edilir: +Hatalarımız yaklaşık 2 puan civarında görünüyor, bu da yaklaşık %17. Çok iyi değil. Model kalitesinin diğer bir göstergesi **belirleme katsayısı**dır ve şöyle elde edilir: ```python score = lin_reg.score(X_train,y_train) print('Model determination: ', score) ``` -Eğer değer 0 ise, modelin giriş verilerini dikkate almadığı ve *en kötü doğrusal tahminci* gibi davrandığı anlamına gelir, bu da sonuçların sadece ortalaması anlamına gelir. 1 değeri ise tüm beklenen çıktıları mükemmel şekilde tahmin edebildiğimizi gösterir. Bizim durumumuzda, katsayı yaklaşık 0.06, bu da oldukça düşüktür. -Regresyonun nasıl çalıştığını daha iyi görmek için test verilerini ve regresyon doğrusunu birlikte çizebiliriz: +Eğer değer 0 ise, model giriş verilerini hesaba katmaz ve *en kötü doğrusal tahminci* gibi davranır ki bu sadece sonucun ortalamasıdır. Değer 1 olursa, tüm beklenen çıktıları mükemmel şekilde tahmin edebiliriz. Bizim durumumuzda, katsayı yaklaşık 0.06 civarında, yani oldukça düşük. + +Regresyonun nasıl çalıştığını daha iyi görmek için test verilerini regresyon çizgisiyle birlikte de çizebiliriz: ```python plt.scatter(X_test,y_test) @@ -234,17 +236,17 @@ plt.plot(X_test,pred) ## Polinom Regresyonu -Lineer Regresyonun bir başka türü de Polinom Regresyonudur. Bazen değişkenler arasında doğrusal bir ilişki olur - örneğin, balkabağının hacmi ne kadar büyükse, fiyat da o kadar yüksek olur - bazen bu ilişkiler düz bir düzlem veya doğru olarak çizilemez. +Doğrusal regresyonun bir başka türü Polinom Regresyonudur. Bazen değişkenler arasında doğrusal bir ilişki vardır - hacmi ne kadar büyükse balkabağının fiyatı o kadar yüksek olur - bazen bu ilişkiler düz bir çizgi ya da düzlem olarak çizilemez. -✅ İşte Polinom Regresyonu için kullanılabilecek [başka örnekler](https://online.stat.psu.edu/stat501/lesson/9/9.8) +✅ İşte Polinom Regresyon kullanılabilecek [başka örnekler](https://online.stat.psu.edu/stat501/lesson/9/9.8) -Tarih ve Fiyat arasındaki ilişkiye yeniden bakın. Bu dağılım grafiği gerçekten düz bir doğru ile analiz edilmeli mi? Fiyatlar dalgalanamaz mı? Bu durumda polinom regresyonu deneyebilirsiniz. +Date ve Price arasındaki ilişkiye bir kez daha bakın. Bu saçılım grafiği mutlaka bir doğruyla mı analiz edilmeli gibi görünüyor? Fiyatlar dalgalanamaz mı? Bu durumda polinom regresyonu deneyebilirsiniz. -✅ Polinomlar, bir veya daha fazla değişken ve katsayı içerebilen matematiksel ifadeleridir. +✅ Polinomlar bir veya daha fazla değişken ve katsayı içerebilen matematiksel ifadelerden oluşur. -Polinom regresyon, doğrusal olmayan verilere daha iyi uyması için eğri bir çizgi oluşturur. Bizim durumumuzda, giriş verisine kare `DayOfYear` değişkeni eklendiğinde, verilerimizi yıl içinde belirli bir noktada minimuma sahip bir parabolik eğri ile uydurabilmeliyiz. +Polinom regresyon, doğrusal olmayan verilere daha iyi uyması için eğri bir çizgi oluşturur. Bizim durumumuzda, giriş verisine karesel `DayOfYear` değişkenini dahil edersek, verimizi yıl içinde belirli bir noktada minimuma sahip parabolik bir eğriyle uyarlayabiliriz. -Scikit-learn, veri işleme adımlarını birleştirmek için faydalı bir [pipeline API](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) içerir. Bir **pipeline** bir **tahminci** zinciridir. Bizim durumumuzda, önce modele polinom özellikler ekleyen ve ardından regresyonu eğiten bir pipeline oluşturacağız: +Scikit-learn, veri işleme adımlarını birleştirmek için faydalı bir [pipeline API'si](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) içerir. Bir **pipeline** bir dizi **estimator**dir. Bizim durumumuzda önce modele polinom özellikler ekleyen, ardından regresyon eğiten bir pipeline oluşturacağız: ```python from sklearn.preprocessing import PolynomialFeatures @@ -255,36 +257,36 @@ pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) ``` -`PolynomialFeatures(2)` kullanmak, giriş verisinden tüm ikinci dereceden polinomları dahil edeceğimiz anlamına gelir. Bizim örneğimizde bu yalnızca `DayOfYear`2 demektir, ancak iki giriş değişkeni X ve Y verilirse, bu X2, XY ve Y2 öğelerini ekler. Dilerseniz daha yüksek dereceli polinomlar da kullanabilirsiniz. +`PolynomialFeatures(2)` kullanmak, giriş verisindeki tüm ikinci dereceden polinomları dahil edeceğimiz anlamına gelir. Bizim durumumuzda bu sadece `DayOfYear`2 anlamına gelir, ancak örneğin iki değişken olan X ve Y için bu X2, XY ve Y2 ekler. İsterseniz daha yüksek dereceli polinomlar da kullanabilirsiniz. -Pipeline'lar, orijinal `LinearRegression` nesnesi gibi kullanılabilir; yani pipeline'ı `fit` edebilir ve ardından tahmin sonuçları almak için `predict` kullanabilirsiniz. İşte test verisi ve yaklaşıklaştırma eğrisini gösteren grafik: +Pipelinelar, orijinal `LinearRegression` nesnesi ile aynı şekilde kullanılabilir, yani pipeline üzerinde `fit` yapabilir ve sonra `predict` ile tahmin sonuçları alabilirsiniz. İşte test verileri ve yaklaşık eğriyi gösteren grafik: Polynomial regression -Polinom Regresyon kullanarak MSE biraz daha düşük ve belirleme katsayısı biraz daha yüksek olabilir, ama çok büyük bir fark olmaz. Diğer özellikleri de göz önünde bulundurmamız gerekir! +Polinom Regresyon kullanarak MSE'yi biraz daha düşürebilir ve belirleme katsayısını biraz daha yükseltebiliriz, ama çok değil. Diğer özellikleri de hesaba katmamız gerekiyor! -> Minimum balkabağı fiyatlarının Cadılar Bayramı civarında gözlemlendiğini görebilirsiniz. Bunu nasıl açıklarsınız? +> Kabak fiyatlarının en düşük olduğu yerin Cadılar Bayramı civarı olduğunu görebilirsiniz. Bunu nasıl açıklarsınız? -🎃 Tebrikler, balkabağı turta fiyatını tahmin eden bir model oluşturdunuz. Muhtemelen tüm balkabağı türleri için aynı işlemi tekrarlayabilirsiniz, ama bu zahmetli olur. Şimdi modelimizde balkabağı çeşidini nasıl dikkate alacağımızı öğrenelim! +🎃 Tebrikler, kabak fiyatını tahmin etmeye yardımcı olabilecek bir model yarattınız. Muhtemelen aynı prosedürü tüm kabak çeşitleri için tekrarlayabilirsiniz, ama bu zahmetli olur. Şimdi modelimizde kabak çeşidini nasıl dikkate alacağımızı öğrenelim! ## Kategorik Özellikler -İdeal dünyada, farklı balkabağı çeşitleri için fiyatları aynı modelle tahmin etmek isteriz. Ancak, `Variety` sütunu `Month` gibi sütunlardan farklıdır çünkü sayısal olmayan değerler içerir. Bu tür sütunlara **kategorik** denir. +İdeal dünyada, farklı kabak çeşitlerinin fiyatlarını aynı modelle tahmin etmek isteriz. Ancak `Variety` sütunu, `Month` gibi sütunlardan biraz farklıdır çünkü sayısal olmayan değerler içerir. Bu tür sütunlara **kategorik** denir. [![ML for beginners - Categorical Feature Predictions with Linear Regression](https://img.youtube.com/vi/DYGliioIAE0/0.jpg)](https://youtu.be/DYGliioIAE0 "ML for beginners - Categorical Feature Predictions with Linear Regression") -> 🎥 Kategorik özelliklerin kullanımına dair kısa video özetini izlemek için yukarıdaki resme tıklayın. +> 🎥 Kategorik özelliklerin kullanımına kısa video özetini izlemek için yukarıdaki görsele tıklayın. -Burada ortalama fiyatın çeşitliliğe nasıl bağlı olduğunu görebilirsiniz: +Burada ortalama fiyatın çeşide nasıl bağlı olduğunu görebilirsiniz: Average price by variety -Çeşidi dikkate almak için öncelikle sayısal forma çevirmemiz veya **kodlamamız** gerekir. Bunu yapmanın birkaç yolu vardır: +Çeşidi dikkate almak için önce onu sayısal forma dönüştürmemiz veya **kodlamamız** gerekir. Bunu yapmanın birkaç yolu vardır: -* Basit **sayısal kodlama**, farklı çeşitlerin bir tablosunu oluşturur ve ardından çeşit adını bu tablodaki bir indeksle değiştirir. Bu lineer regresyon için en iyi yöntem değildir, çünkü lineer regresyon indeksin gerçek sayısal değerini alıp bir katsayı ile çarpar ve sonuca ekler. Bizim durumumuzda, indeks numarası ile fiyat arasındaki ilişki açıkça doğrusal değildir; hatta indekslerin belirli bir şekilde sıralanması garanti edilse bile. -* **One-hot encoding** ile `Variety` sütunu, her bir çeşit için 4 farklı sütuna bölünür. Her sütun, ilgili satır o çeşide aitse `1`, değilse `0` içerir. Bu, lineer regresyonda balkabağı çeşidi başına biri "başlangıç fiyatı" (ya da "ek fiyat") için olmak üzere dört katsayı olacağı anlamına gelir. +* Basit **sayısal kodlama** farklı çeşitlerin bir tablosunu oluşturur ve ardından çeşit adını o tablodaki bir indeks ile değiştirir. Bu doğrusal regresyon için en iyi fikir değildir çünkü doğrusal regresyon indeksin gerçek sayısal değerini alır ve sonucu buna göre katsayı ile çarpar. Bizim durumumuzda, indeks numarası ile fiyat arasındaki ilişki açıkça doğrusal değildir, indekslerin belirli bir şekilde sıralandığını varsaysak bile. +* **One-hot kodlama** `Variety` sütununu dört farklı sütunla değiştirir, her biri bir çeşit içindir. Her sütun karşılık gelen satır o çeşide aitse `1`, değilse `0` içerir. Bu, doğrusal regresyonda dört katsayı olacağı anlamına gelir; her kabak çeşidi için biri, o çeşidin "başlangıç fiyatı" (veya "ek fiyat") sorumlusudur. -Aşağıdaki kod, bir çeşidin one-hot kodlamasını nasıl yapabileceğimizi gösteriyor: +Aşağıdaki kod kabak çeşidini one-hot kodlama ile nasıl yapabileceğimizi gösterir: ```python pd.get_dummies(new_pumpkins['Variety']) @@ -301,14 +303,14 @@ pd.get_dummies(new_pumpkins['Variety']) 1741 | 0 | 1 | 0 | 0 1742 | 0 | 1 | 0 | 0 -One-hot kodlanmış çeşidi giriş olarak kullanarak lineer regresyonu eğitmek için sadece `X` ve `y` verilerini doğru şekilde başlatmamız gerekir: +One-hot kodlu çeşidi giriş olarak kullanarak doğrusal regresyon eğitmek için sadece `X` ve `y` verilerini doğru başlatmamız gerekir: ```python X = pd.get_dummies(new_pumpkins['Variety']) y = new_pumpkins['Price'] ``` -Geri kalan kod, yukarıda lineer regresyonu eğittiğimiz kod ile aynıdır. Denerseniz, ortalama kare hatasının neredeyse aynı olduğunu ancak belirleme katsayısının (~%77) çok daha yüksek olduğunu görürsünüz. Daha doğru tahminler elde etmek için daha fazla kategorik özellik ile `Month` veya `DayOfYear` gibi sayısal özellikleri de dikkate alabiliriz. Tüm özellikleri tek bir büyük diziye dönüştürmek için `join` kullanabiliriz: +Kalan kod, yukarıda doğrusal regresyon eğitmek için kullandığımız ile aynıdır. Denerseniz, ortalama kare hata yaklaşık aynı kalır ama belirleme katsayısı çok daha yüksek olur (~%77). Daha doğru tahminler almak için, daha fazla kategorik özellik ile birlikte `Month` veya `DayOfYear` gibi sayısal özellikleri de dikkate alabiliriz. Tüm özellikleri birleştirmek için `join` kullanılabilir: ```python X = pd.get_dummies(new_pumpkins['Variety']) \ @@ -318,11 +320,11 @@ X = pd.get_dummies(new_pumpkins['Variety']) \ y = new_pumpkins['Price'] ``` -Burada ayrıca `City` ve `Package` türü de dikkate alınmıştır, bu bize 2.84 (%%10) MSE ve 0.94 belirleme katsayısı sağlar! +Burada ayrıca `City` ve `Package` türü de dikkate alınır, bu da MSE'yi 2.84 (%10) ve belirleme katsayısını 0.94 yapar! ## Hepsini Bir Araya Getirmek -En iyi modeli yapmak için yukarıdaki örnekten (one-hot kodlanmış kategorik + sayısal veriler) ve Polinom Regresyonu birlikte kullanabiliriz. İşte kolayınız için tam kod: +En iyi modeli oluşturmak için, yukarıdaki örnekteki birleşik (one-hot kodlu kategorik + sayısal) verileri Polinom Regresyon ile birlikte kullanabiliriz. İşte kolayınız için tam kod: ```python # eğitim verilerini ayarla @@ -332,17 +334,17 @@ X = pd.get_dummies(new_pumpkins['Variety']) \ .join(pd.get_dummies(new_pumpkins['Package'])) y = new_pumpkins['Price'] -# eğitim-test bölümü yap +# eğitim-test bölünmesi yap X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) -# pipeline'ı kur ve eğit +# işlem hattını kur ve eğit pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression()) pipeline.fit(X_train,y_train) -# test verileri için sonuçları tahmin et +# test verisi için sonuçları tahmin et pred = pipeline.predict(X_test) -# MSE ve belirleme katsayısını hesapla +# MSE ve kararlılığı hesapla mse = np.sqrt(mean_squared_error(y_test,pred)) print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)') @@ -350,36 +352,36 @@ score = pipeline.score(X_train,y_train) print('Model determination: ', score) ``` -Bu en iyi belirleme katsayısı olan neredeyse %97 ve MSE=2.23 (yaklaşık %8 tahmin hatası) verecektir. +Bu, bize neredeyse %97 belirleme katsayısı ve MSE=2.23 (~%8 tahmin hatası) verecektir. -| Model | MSE | Belirleme Katsayısı | -|-------|-----|---------------------| -| `DayOfYear` Lineer | 2.77 (17.2%) | 0.07 | +| Model | MSE | Belirleme | +|-------|-----|---------------| +| `DayOfYear` Doğrusal | 2.77 (17.2%) | 0.07 | | `DayOfYear` Polinom | 2.73 (17.0%) | 0.08 | -| `Variety` Lineer | 5.24 (19.7%) | 0.77 | -| Tüm özellikler Lineer | 2.84 (10.5%) | 0.94 | +| `Variety` Doğrusal | 5.24 (19.7%) | 0.77 | +| Tüm özellikler Doğrusal | 2.84 (10.5%) | 0.94 | | Tüm özellikler Polinom | 2.23 (8.25%) | 0.97 | -🏆 Çok iyi! Bu derste dört farklı Regresyon modeli oluşturup model kalitesini %97’ye geliştirdiniz. Son Regresyon bölümünde, kategorileri belirlemek için Lojistik Regresyonu öğreneceksiniz. +🏆 Aferin! Bir derste dört regresyon modeli yarattınız ve model kalitesini %97’ye kadar yükselttiniz. Regresyonun son bölümünde kategorileri belirlemek için Lojistik Regresyondan bahsedeceğiz. --- ## 🚀Meydan Okuma -Bu not defterinde farklı değişkenlerle deney yaparak korelasyonun model doğruluğuna nasıl karşılık geldiğini test edin. +Bu not defterinde çeşitli değişkenlerle deney yaparak korelasyonun model doğruluğuna nasıl karşılık geldiğini görün. -## [Ders sonrası quiz](https://ff-quizzes.netlify.app/en/ml/) +## [Ders sonrası sınav](https://ff-quizzes.netlify.app/en/ml/) -## Gözden Geçirme & Kendi Kendine Çalışma +## Tekrar & Kendi Kendine Çalışma -Bu derste Lineer Regresyonu öğrendik. Başka önemli Regresyon türleri de vardır. Stepwise, Ridge, Lasso ve Elasticnet teknikleri hakkında okuyun. Daha fazla öğrenmek için iyi bir kurs [Stanford İstatistiksel Öğrenme kursu](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning) +Bu derste Doğrusal Regresyonu öğrendik. Başka önemli regresyon türleri de vardır. Stepwise, Ridge, Lasso ve Elasticnet teknikleri hakkında okuyun. Daha fazla öğrenmek için iyi bir kurs [Stanford İstatistiksel Öğrenme kursu](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning). ## Ödev -[Bir Model Oluştur](assignment.md) +[Model Oluştur](assignment.md) --- -**Feragatname**: -Bu belge, AI çeviri servisi [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstermemize rağmen, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen unutmayın. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek yanlış anlaşılmalardan veya yorum hatalarından sorumlu değiliz. +**Feragatnamesi**: +Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba sarf etsek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi yerel dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu oluşabilecek herhangi bir yanlış anlama veya yanlış yorumdan sorumlu değiliz. \ No newline at end of file diff --git a/translations/tr/4-Classification/2-Classifiers-1/README.md b/translations/tr/4-Classification/2-Classifiers-1/README.md index a3af1596d..9c689282b 100644 --- a/translations/tr/4-Classification/2-Classifiers-1/README.md +++ b/translations/tr/4-Classification/2-Classifiers-1/README.md @@ -1,17 +1,17 @@ -# Yemek Kültürü Sınıflandırıcıları 1 +# Mutfak sınıflandırıcıları 1 -Bu derste, önceki derste kaydettiğiniz dengeli ve temiz yemek kültürleri verileriyle dolu veri setini kullanacaksınız. +Bu derste, önceki dersten kaydettiğiniz, dengeli ve temiz verilerle dolu mutfaklar hakkındaki veri kümesini kullanacaksınız. -Bu veri setini, _bir grup malzemeye dayanarak belirli bir ulusal yemek kültürünü tahmin etmek_ için çeşitli sınıflandırıcılarla kullanacaksınız. Bunu yaparken, algoritmaların sınıflandırma görevlerinde nasıl kullanılabileceği hakkında daha fazla bilgi edineceksiniz. +Bu veri kümesini, _bir grup malzemeye dayalı olarak belirli bir ulusal mutfağı tahmin etmek_ için çeşitli sınıflandırıcılarla kullanacaksınız. Bunu yaparken, algoritmaların sınıflandırma görevleri için nasıl kullanılabileceğine dair daha fazla bilgi edineceksiniz. -## [Ders Öncesi Testi](https://ff-quizzes.netlify.app/en/ml/) +## [Ders öncesi quiz](https://ff-quizzes.netlify.app/en/ml/) # Hazırlık -[1. Ders](../1-Introduction/README.md)'i tamamladığınızı varsayarak, bu dört ders için kök `/data` klasöründe _cleaned_cuisines.csv_ dosyasının bulunduğundan emin olun. +[1. Dersi](../1-Introduction/README.md) tamamladığınızı varsayarak, kök `/data` klasöründe bu dört ders için bir _cleaned_cuisines.csv_ dosyasının bulunduğundan emin olun. -## Alıştırma - ulusal bir yemek kültürünü tahmin etme +## Alıştırma - ulusal mutfağı tahmin etme -1. Bu dersin _notebook.ipynb_ klasöründe çalışarak, Pandas kütüphanesiyle birlikte bu dosyayı içe aktarın: +1. Bu dersin _notebook.ipynb_ klasöründe çalışarak, o dosyayı ve Pandas kütüphanesini içe aktarın: ```python import pandas as pd @@ -19,7 +19,7 @@ Bu veri setini, _bir grup malzemeye dayanarak belirli bir ulusal yemek kültür cuisines_df.head() ``` - Veriler şu şekilde görünüyor: + Veri şu şekilde görünüyor: | | Unnamed: 0 | cuisine | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | --- | ---------- | ------- | ------ | -------- | ----- | ---------- | ----- | ------------ | ------- | -------- | --- | ------- | ----------- | ---------- | ----------------------- | ---- | ---- | --- | ----- | ------ | -------- | @@ -28,6 +28,7 @@ Bu veri setini, _bir grup malzemeye dayanarak belirli bir ulusal yemek kültür | 2 | 2 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 3 | 3 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 4 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | + 1. Şimdi birkaç kütüphane daha içe aktarın: @@ -39,14 +40,14 @@ Bu veri setini, _bir grup malzemeye dayanarak belirli bir ulusal yemek kültür import numpy as np ``` -1. X ve y koordinatlarını eğitim için iki veri çerçevesine ayırın. `cuisine` etiketler veri çerçevesi olabilir: +1. Eğitim için X ve y koordinatlarını iki veri çerçevesine bölün. `cuisine` etiketler veri çerçevesi olabilir: ```python cuisines_label_df = cuisines_df['cuisine'] cuisines_label_df.head() ``` - Şöyle görünecek: + Şu şekilde görünür: ```output 0 indian @@ -57,14 +58,14 @@ Bu veri setini, _bir grup malzemeye dayanarak belirli bir ulusal yemek kültür Name: cuisine, dtype: object ``` -1. `Unnamed: 0` sütununu ve `cuisine` sütununu `drop()` kullanarak kaldırın. Geri kalan verileri eğitilebilir özellikler olarak kaydedin: +1. `Unnamed: 0` sütununu ve `cuisine` sütununu `drop()` ile düşürün. Kalan veriyi eğitilebilir özellikler olarak kaydedin: ```python cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1) cuisines_feature_df.head() ``` - Özellikleriniz şu şekilde görünecek: + Özellikleriniz şöyle görünür: | | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | artemisia | artichoke | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | ---: | -----: | -------: | ----: | ---------: | ----: | -----------: | ------: | -------: | --------: | --------: | ---: | ------: | ----------: | ---------: | ----------------------: | ---: | ---: | ---: | ----: | -----: | -------: | @@ -76,83 +77,83 @@ Bu veri setini, _bir grup malzemeye dayanarak belirli bir ulusal yemek kültür Artık modelinizi eğitmeye hazırsınız! -## Sınıflandırıcı Seçimi +## Sınıflandırıcıyı seçmek -Verileriniz temiz ve eğitime hazır olduğuna göre, iş için hangi algoritmayı kullanacağınıza karar vermelisiniz. +Veriniz temizlenip eğitim için hazır olduğuna göre, işi yapmak için hangi algoritmanın kullanılacağına karar vermeniz gerekiyor. -Scikit-learn, sınıflandırmayı Denetimli Öğrenme altında gruplandırır ve bu kategoride birçok sınıflandırma yöntemi bulabilirsiniz. [Çeşitlilik](https://scikit-learn.org/stable/supervised_learning.html) ilk bakışta oldukça kafa karıştırıcı olabilir. Aşağıdaki yöntemlerin tümü sınıflandırma tekniklerini içerir: +Scikit-learn, sınıflandırmayı Denetimli Öğrenme altında gruplar ve bu kategoride sınıflandırmak için birçok yol bulabilirsiniz. [Çeşitlilik](https://scikit-learn.org/stable/supervised_learning.html) ilk bakışta oldukça kafa karıştırıcıdır. Aşağıdaki yöntemler hepsi sınıflandırma tekniklerini içerir: - Doğrusal Modeller - Destek Vektör Makineleri - Stokastik Gradyan İnişi - En Yakın Komşular -- Gauss Süreçleri +- Gaussian İşlemleri - Karar Ağaçları -- Toplu yöntemler (oylama sınıflandırıcı) -- Çok sınıflı ve çok çıkışlı algoritmalar (çok sınıflı ve çok etiketli sınıflandırma, çok sınıflı-çok çıkışlı sınıflandırma) +- Ensemble yöntemleri (oylama sınıflandırıcısı) +- Çok sınıflı ve çoklu çıktı algoritmaları (çok sınıflı ve çok etiketli sınıflandırma, çok sınıflı-çoklu çıktı sınıflandırma) -> Verileri sınıflandırmak için [sinir ağlarını](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification) da kullanabilirsiniz, ancak bu dersin kapsamı dışındadır. +> [Sinir ağlarını da veri sınıflandırmak için kullanabilirsiniz](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), ancak bu dersin kapsamı dışındadır. ### Hangi sınıflandırıcıyı seçmeli? -Peki, hangi sınıflandırıcıyı seçmelisiniz? Çoğu zaman, birkaçını deneyip iyi bir sonuç aramak bir test yöntemi olabilir. Scikit-learn, oluşturulmuş bir veri setinde KNeighbors, SVC iki şekilde, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB ve QuadraticDiscriminationAnalysis'ı karşılaştıran bir [yan yana karşılaştırma](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) sunar ve sonuçları görselleştirir: +Peki, hangi sınıflandırıcıyı seçmelisiniz? Çoğunlukla, birkaçını çalıştırıp iyi bir sonuç aramak test yapmanın bir yoludur. Scikit-learn, oluşturulmuş bir veri seti üzerinde KNeighbors, SVC iki şekilde, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB ve QuadraticDiscrinationAnalysis'ı karşılaştıran ve sonuçları görselleştiren bir [yan yana karşılaştırma](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) sunar: -![sınıflandırıcıların karşılaştırması](../../../../4-Classification/2-Classifiers-1/images/comparison.png) -> Grafikler Scikit-learn belgelerinde oluşturulmuştur +![sınıflandırıcı karşılaştırması](../../../../translated_images/tr/comparison.edfab56193a85e7f.webp) +> Scikit-learn dokümantasyonunda oluşturulmuş grafikler -> AutoML, bu karşılaştırmaları bulutta çalıştırarak ve verileriniz için en iyi algoritmayı seçmenize olanak tanıyarak bu sorunu kolayca çözer. [Buradan deneyin](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) +> AutoML, bu karşılaştırmaları bulutta çalıştırarak veriniz için en iyi algoritmayı seçmenize olanak tanıyarak bu problemi kolayca çözer. [Burada deneyin](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) ### Daha iyi bir yaklaşım -Ancak rastgele tahmin etmekten daha iyi bir yol, bu indirilebilir [ML Cheat Sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) üzerindeki fikirleri takip etmektir. Burada, çok sınıflı problemimiz için bazı seçeneklerimiz olduğunu keşfediyoruz: +Ancak, rastgele tahmin etmekten daha iyi bir yol, indirilip kullanılabilecek bu [ML Cheat sheet](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott) üzerindeki fikirleri takip etmektir. Burada, çok sınıflı problemimiz için bazı seçeneklere sahibiz: -![çok sınıflı problemler için cheat sheet](../../../../4-Classification/2-Classifiers-1/images/cheatsheet.png) -> Microsoft'un Algoritma Cheat Sheet'inin bir bölümü, çok sınıflı sınıflandırma seçeneklerini detaylandırıyor +![çok sınıflı problemler için cheat sheet](../../../../translated_images/tr/cheatsheet.07a475ea444d2223.webp) +> Microsoft’un Algoritma Cheat Sheet’inin bir kısmı, çok sınıflı sınıflandırma seçeneklerine dair detaylar -✅ Bu cheat sheet'i indirin, yazdırın ve duvarınıza asın! +✅ Bu cheat sheet’i indirin, yazdırın ve duvarınıza asın! -### Mantık Yürütme +### Mantık yürütme -Kısıtlamalarımızı göz önünde bulundurarak farklı yaklaşımları mantıkla değerlendirelim: +Elimizdeki kısıtlamalar göz önüne alındığında farklı yaklaşımlar üzerine mantık yürütelim: -- **Sinir ağları çok ağır**. Temiz ama minimal veri setimiz ve eğitimi yerel olarak notebooklar üzerinden çalıştırdığımız gerçeği göz önüne alındığında, sinir ağları bu görev için çok ağırdır. -- **İki sınıflı sınıflandırıcı yok**. İki sınıflı bir sınıflandırıcı kullanmıyoruz, bu nedenle one-vs-all seçeneği eleniyor. -- **Karar ağacı veya lojistik regresyon işe yarayabilir**. Çok sınıflı veriler için bir karar ağacı veya lojistik regresyon işe yarayabilir. -- **Çok sınıflı Boosted Karar Ağaçları farklı bir problemi çözer**. Çok sınıflı Boosted Karar Ağacı, sıralamalar oluşturmak için tasarlanmış parametrik olmayan görevler için en uygundur, bu nedenle bizim için kullanışlı değildir. +- **Sinir ağları çok ağırdır.** Temiz ancak minimal veri setimiz ve eğitimi yerel olarak defterlerde yaptığımız gerçeği göz önüne alındığında, sinir ağları bu görev için çok ağırdır. +- **İkili sınıflandırıcı yok.** İkili sınıflandırıcı kullanmıyoruz, bu yüzden bir-vs-hepsi kuralı dışlanır. +- **Karar ağacı veya lojistik regresyon işe yarayabilir.** Karar ağacı veya çok sınıflı veri için lojistik regresyon çalışabilir. +- **Çok sınıflı güçlendirilmiş karar ağaçları farklı bir problemi çözer.** Çok sınıflı güçlendirilmiş karar ağacı, sıralamalar oluşturmak gibi parametrik olmayan görevler için daha uygundur, bu yüzden bize faydası yoktur. -### Scikit-learn Kullanımı +### Scikit-learn kullanımı -Verilerimizi analiz etmek için Scikit-learn kullanacağız. Ancak, Scikit-learn'de lojistik regresyonu kullanmanın birçok yolu vardır. Geçilecek [parametrelere](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression) bir göz atın. +Verimizi analiz etmek için Scikit-learn kullanacağız. Ancak, Scikit-learn’de lojistik regresyon kullanmanın birçok yolu vardır. [Geçirilebilecek parametrelere](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression) bakın. -Temelde, Scikit-learn'den lojistik regresyon yapmasını istediğimizde belirtmemiz gereken iki önemli parametre vardır - `multi_class` ve `solver`. `multi_class` değeri belirli bir davranışı uygular. Solver'ın değeri ise hangi algoritmanın kullanılacağını belirler. Tüm solver'lar tüm `multi_class` değerleriyle eşleştirilemez. +Temelde, iki önemli parametre vardır - `multi_class` ve `solver` - bunları belirtmemiz gerekir, Scikit-learn’den lojistik regresyon yapmasını istediğimizde. `multi_class` değeri belirli bir davranışı uygular. `solver` değeri ise kullanılacak algoritmadır. Tüm çözücüler tüm `multi_class` değerleriyle eşleşmez. -Belgelerden öğrendiğimize göre, çok sınıflı durumda eğitim algoritması: +Dokümanlara göre, çok sınıflı durumda, eğitim algoritması: -- **one-vs-rest (OvR) şemasını kullanır**, eğer `multi_class` seçeneği `ovr` olarak ayarlanmışsa -- **çapraz entropi kaybını kullanır**, eğer `multi_class` seçeneği `multinomial` olarak ayarlanmışsa. (Şu anda `multinomial` seçeneği yalnızca ‘lbfgs’, ‘sag’, ‘saga’ ve ‘newton-cg’ solver'ları tarafından desteklenmektedir.) +- `multi_class` seçeneği `ovr` olarak ayarlandıysa **bir-vs-hepsi (OvR) şemasını kullanır** +- `multi_class` seçeneği `multinomial` olarak ayarlandıysa **çapraz entropi kaybını kullanır**. (Şu anda `multinomial` seçeneği sadece ‘lbfgs’, ‘sag’, ‘saga’ ve ‘newton-cg’ çözücüleri tarafından desteklenmektedir.)" -> 🎓 Buradaki 'şema', 'ovr' (one-vs-rest) veya 'multinomial' olabilir. Lojistik regresyon aslında ikili sınıflandırmayı desteklemek için tasarlandığından, bu şemalar onun çok sınıflı sınıflandırma görevlerini daha iyi ele almasına olanak tanır. [kaynak](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) +> 🎓 Buradaki 'şema' ‘ovr’ (bir-vs-hepsi) veya ‘multinomial’ olabilir. Lojistik regresyon esasen ikili sınıflandırmayı desteklemek için tasarlandığından, bu şemalar çok sınıflı sınıflandırma görevlerini daha iyi ele almasını sağlar. [kaynak](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) -> 🎓 'solver', "optimizasyon probleminde kullanılacak algoritma" olarak tanımlanır. [kaynak](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). +> 🎓 'Çözücü' optimizasyon problemlerinde kullanılacak algoritma olarak tanımlanır. [kaynak](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Scikit-learn, solver'ların farklı veri yapılarının sunduğu zorlukları nasıl ele aldığını açıklamak için şu tabloyu sunar: +Scikit-learn, çözücülerin farklı veri yapılarının sunduğu zorlukları nasıl işlediğini açıklamak için şu tabloyu sunar: -![solver'lar](../../../../4-Classification/2-Classifiers-1/images/solvers.png) +![çözücüler](../../../../translated_images/tr/solvers.5fc648618529e627.webp) -## Alıştırma - veriyi bölmek +## Alıştırma - veriyi bölme -Son dersinizde lojistik regresyon hakkında bilgi edindiğiniz için, ilk eğitim denemeniz için lojistik regresyona odaklanabiliriz. -Verilerinizi `train_test_split()` çağırarak eğitim ve test gruplarına ayırın: +Önceki derste lojistik regresyondan öğrendiğiniz için, ilk eğitim denememizde lojistik regresyona odaklanabiliriz. +Verinizi `train_test_split()` çağırarak eğitim ve test gruplarına bölün: ```python X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3) ``` -## Alıştırma - lojistik regresyon uygulamak +## Alıştırma - lojistik regresyon uygulama -Çok sınıflı durumu kullandığınız için hangi _şemayı_ kullanacağınızı ve hangi _solver'ı_ ayarlayacağınızı seçmeniz gerekiyor. Multi_class ayarı `ovr` ve solver ayarı `liblinear` olan LogisticRegression kullanarak eğitin. +Çok sınıflı durumu kullandığınızdan, hangi _şema_ ile çalışacağınızı ve hangi _çözücü_ 'yü ayarlayacağınızı seçmeniz gerekiyor. Çok sınıflı ayarla ve **liblinear** çözücüsü ile LogisticRegression kullanarak eğitin. -1. Multi_class `ovr` ve solver `liblinear` olarak ayarlanmış bir lojistik regresyon oluşturun: +1. `multi_class` değeri `ovr` ve çözücü `liblinear` olacak şekilde bir lojistik regresyon oluşturun: ```python lr = LogisticRegression(multi_class='ovr',solver='liblinear') @@ -162,11 +163,13 @@ X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisine print ("Accuracy is {}".format(accuracy)) ``` - ✅ Varsayılan olarak sıkça ayarlanan `lbfgs` gibi farklı bir solver deneyin -Not: Verilerinizi düzleştirmeniz gerektiğinde Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) fonksiyonunu kullanın. -Doğruluk oranı **%80**'in üzerinde oldukça iyi! + ✅ Çoğunlukla varsayılan olarak ayarlanan `lbfgs` gibi farklı bir çözücü deneyin -1. Bu modeli bir veri satırını test ederek (#50) çalışırken görebilirsiniz: + > İhtiyaç duyduğunuzda verilerinizi yassılaştırmak için Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) fonksiyonunu kullanın. + + Doğruluk **%80**'in üzerindedir! + +1. Bu modeli bir veri satırını (#50) test ederek iş başında görebilirsiniz: ```python print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}') @@ -180,8 +183,7 @@ Doğruluk oranı **%80**'in üzerinde oldukça iyi! cuisine: indian ``` - ✅ Farklı bir satır numarası deneyin ve sonuçları kontrol edin. - + ✅ Farklı bir satır numarası deneyip sonuçları kontrol edin 1. Daha derine inerek, bu tahminin doğruluğunu kontrol edebilirsiniz: ```python @@ -194,7 +196,7 @@ Doğruluk oranı **%80**'in üzerinde oldukça iyi! topPrediction.head() ``` - Sonuç yazdırılır - Hint mutfağı en iyi tahmin olarak, yüksek bir olasılıkla: + Sonuç yazdırılır - Hint mutfağı en iyi tahmin olarak, iyi bir olasılıkla: | | 0 | | -------: | -------: | @@ -204,9 +206,9 @@ Doğruluk oranı **%80**'in üzerinde oldukça iyi! | korean | 0.017277 | | thai | 0.007634 | - ✅ Modelin neden Hint mutfağı olduğundan bu kadar emin olduğunu açıklayabilir misiniz? + ✅ Modelin bunun Hint mutfağı olduğundan neden oldukça emin olduğunu açıklayabilir misiniz? -1. Regresyon derslerinde yaptığınız gibi bir sınıflandırma raporu yazdırarak daha fazla ayrıntı elde edin: +1. Regresyon derslerinde yaptığınız gibi bir sınıflandırma raporu yazdırarak daha fazla detay alın: ```python y_pred = model.predict(X_test) @@ -220,24 +222,26 @@ Doğruluk oranı **%80**'in üzerinde oldukça iyi! | japanese | 0.70 | 0.75 | 0.72 | 220 | | korean | 0.86 | 0.76 | 0.81 | 242 | | thai | 0.79 | 0.85 | 0.82 | 254 | - | accuracy | 0.80 | 1199 | | | + | accuracy | | | 0.80 | 1199 | | macro avg | 0.80 | 0.80 | 0.80 | 1199 | | weighted avg | 0.80 | 0.80 | 0.80 | 1199 | -## 🚀Meydan Okuma +## 🚀Challenge -Bu derste, temizlenmiş verilerinizi kullanarak bir dizi malzemeye dayanarak ulusal bir mutfağı tahmin edebilen bir makine öğrenimi modeli oluşturdunuz. Scikit-learn'ün verileri sınıflandırmak için sunduğu birçok seçeneği incelemek için biraz zaman ayırın. Sahne arkasında neler olduğunu anlamak için 'solver' kavramını daha derinlemesine araştırın. +Bu derste, temizlenmiş verilerinizi kullanarak bir dizi malzemeye dayanarak ulusal bir mutfağı tahmin edebilen bir makine öğrenimi modeli oluşturdunuz. Verileri sınıflandırmak için Scikit-learn'ün sunduğu birçok seçeneği okumak için biraz zaman ayırın. Sahne arkasında neler olup bittiğini anlamak için 'solver' kavramını daha derinlemesine inceleyin. -## [Ders sonrası test](https://ff-quizzes.netlify.app/en/ml/) +## [Ders sonrası quiz](https://ff-quizzes.netlify.app/en/ml/) -## Gözden Geçirme ve Kendi Kendine Çalışma +## Gözden Geçirme & Kendi Kendine Çalışma -Lojistik regresyonun matematiğini biraz daha derinlemesine inceleyin: [bu derste](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) +[Lojistik regresyonun matematiğini](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) biraz daha derinlemesine inceleyin. ## Ödev -[Solver'ları inceleyin](assignment.md) +[Çözücüleri inceleyin](assignment.md) --- + **Feragatname**: -Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalardan sorumlu değiliz. \ No newline at end of file +Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba sarf etsek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, bulunduğu ana dilde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanılması sonucu ortaya çıkabilecek yanlış anlamalar veya yorum hatalarından sorumlu değiliz. + \ No newline at end of file diff --git a/translations/tr/README.md b/translations/tr/README.md index bcc52e89f..fb6baabd7 100644 --- a/translations/tr/README.md +++ b/translations/tr/README.md @@ -1,23 +1,23 @@ [![GitHub lisansı](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [![GitHub katkıda bulunanlar](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) -[![GitHub sorunları](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) +[![GitHub sorunlar](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [![GitHub çekme istekleri](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) -[![PRs Hoşgeldiniz](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) +[![PR'ler Hoşgeldiniz](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) -[![GitHub izleyicileri](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) -[![GitHub çatalları](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) -[![GitHub yıldızları](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) +[![GitHub izleyiciler](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) +[![GitHub çatallar](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) +[![GitHub yıldızlar](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Çok Dilli Destek -#### GitHub Action ile Desteklenmektedir (Otomatik & Her Zaman Güncel) +#### GitHub Action ile desteklenmektedir (Otomatik ve Her Zaman Güncel) -[Arapça](../ar/README.md) | [Bengalce](../bn/README.md) | [Bulgarca](../bg/README.md) | [Birmanca (Myanmar)](../my/README.md) | [Çince (Basitleştirilmiş)](../zh-CN/README.md) | [Çince (Geleneksel, Hong Kong)](../zh-HK/README.md) | [Çince (Geleneksel, Makao)](../zh-MO/README.md) | [Çince (Geleneksel, Tayvan)](../zh-TW/README.md) | [Hırvatça](../hr/README.md) | [Çekçe](../cs/README.md) | [Danca](../da/README.md) | [Flemenkçe](../nl/README.md) | [Estonca](../et/README.md) | [Fince](../fi/README.md) | [Fransızca](../fr/README.md) | [Almanca](../de/README.md) | [Yunanca](../el/README.md) | [İbranice](../he/README.md) | [Hintçe](../hi/README.md) | [Macarca](../hu/README.md) | [Endonezce](../id/README.md) | [İtalyanca](../it/README.md) | [Japonca](../ja/README.md) | [Kannada](../kn/README.md) | [Kmerce](../km/README.md) | [Korece](../ko/README.md) | [Litvanca](../lt/README.md) | [Malayca](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalce](../ne/README.md) | [Nijerya Pidgin](../pcm/README.md) | [Norveççe](../no/README.md) | [Farsça (Farsi)](../fa/README.md) | [Lehçe](../pl/README.md) | [Brezilya Portekizcesi](../pt-BR/README.md) | [Portekizce (Portekiz)](../pt-PT/README.md) | [Pencapça (Gurmukhi)](../pa/README.md) | [Rumence](../ro/README.md) | [Rusça](../ru/README.md) | [Sırpça (Kiril)](../sr/README.md) | [Slovakça](../sk/README.md) | [Slovence](../sl/README.md) | [İspanyolca](../es/README.md) | [Svahili](../sw/README.md) | [İsveççe](../sv/README.md) | [Tagalogca (Filipince)](../tl/README.md) | [Tamilce](../ta/README.md) | [Telugu](../te/README.md) | [Tayca](../th/README.md) | [Türkçe](./README.md) | [Ukraynaca](../uk/README.md) | [Urduca](../ur/README.md) | [Vietnamca](../vi/README.md) +[Arapça](../ar/README.md) | [Bengalce](../bn/README.md) | [Bulgarca](../bg/README.md) | [Birmanca (Myanmar)](../my/README.md) | [Çince (Basitleştirilmiş)](../zh-CN/README.md) | [Çince (Geleneksel, Hong Kong)](../zh-HK/README.md) | [Çince (Geleneksel, Makao)](../zh-MO/README.md) | [Çince (Geleneksel, Tayvan)](../zh-TW/README.md) | [Hırvatça](../hr/README.md) | [Çekçe](../cs/README.md) | [Danca](../da/README.md) | [Flemenkçe](../nl/README.md) | [Estonca](../et/README.md) | [Fince](../fi/README.md) | [Fransızca](../fr/README.md) | [Almanca](../de/README.md) | [Yunanca](../el/README.md) | [İbranice](../he/README.md) | [Hintçe](../hi/README.md) | [Macarca](../hu/README.md) | [Endonezyaca](../id/README.md) | [İtalyanca](../it/README.md) | [Japonca](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korece](../ko/README.md) | [Litvanca](../lt/README.md) | [Malayca](../ms/README.md) | [Malayalamca](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalce](../ne/README.md) | [Nijerya Pidgin](../pcm/README.md) | [Norveççe](../no/README.md) | [Farsça (Farsi)](../fa/README.md) | [Lehçe](../pl/README.md) | [Portekizce (Brezilya)](../pt-BR/README.md) | [Portekizce (Portekiz)](../pt-PT/README.md) | [Pencapça (Gurmukhi)](../pa/README.md) | [Rumence](../ro/README.md) | [Rusça](../ru/README.md) | [Sırpça (Kiril)](../sr/README.md) | [Slovakça](../sk/README.md) | [Slovence](../sl/README.md) | [İspanyolca](../es/README.md) | [Svahili](../sw/README.md) | [İsveççe](../sv/README.md) | [Tagalog (Filipince)](../tl/README.md) | [Tamilce](../ta/README.md) | [Telugu](../te/README.md) | [Tayca](../th/README.md) | [Türkçe](./README.md) | [Ukraynaca](../uk/README.md) | [Urduca](../ur/README.md) | [Vietnamca](../vi/README.md) > **Yerel olarak klonlamayı mı tercih edersiniz?** > -> Bu depo, indirme boyutunu önemli ölçüde artıran 50'den fazla dil çevirisi içerir. Çeviriler olmadan klonlamak için sparse checkout kullanın: +> Bu depo 50'den fazla dil çevirisi içermektedir, bu da indirme boyutunu önemli ölçüde artırır. Çevirisiz klonlamak için sparse checkout kullanabilirsiniz: > > **Bash / macOS / Linux:** > ```bash @@ -33,146 +33,147 @@ > git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" > ``` > -> Bu, kursu tamamlamak için gereken her şeyi çok daha hızlı indirmenizi sağlar. +> Bu, kursu tamamlamak için ihtiyacınız olan her şeyi çok daha hızlı bir indirmeyle sağlar. #### Topluluğumuza Katılın [![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -AI ile öğrenme serimiz devam etmektedir, daha fazla bilgi edinip [AI ile Öğrenme Serisi](https://aka.ms/learnwithai/discord) adresinden 18 - 30 Eylül 2025 tarihleri arasında bize katılabilirsiniz. GitHub Copilot'un Veri Bilimi için kullanımına dair ipuçları ve püf noktaları edineceksiniz. +Discord'da yapay zeka ile öğrenme serimiz devam ediyor, 18 - 30 Eylül 2025 tarihleri arasında daha fazlasını öğrenmek ve bize katılmak için [Learn with AI Serisi](https://aka.ms/learnwithai/discord) adresini ziyaret edin. Veri Bilimi için GitHub Copilot kullanımına dair ipuçları ve püf noktaları edineceksiniz. ![AI ile öğrenme serisi](../../translated_images/tr/3.9b58fd8d6c373c20.webp) -# Yeni Başlayanlar için Makine Öğrenmesi - Bir Müfredat +# Yeni Başlayanlar için Makine Öğrenimi - Bir Müfredat -> 🌍 Dünya kültürleri yoluyla Makine Öğrenmesini keşfederken dünyayı gezin 🌍 +> 🌍 Dünya kültürleri aracılığıyla Makine Öğrenimini keşfederken dünyayı gezin 🌍 -Microsoft'taki Bulut Savunucuları, tamamen **Makine Öğrenmesi** üzerine 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, çoğunlukla Scikit-learn kütüphanesini kullanarak ve derin öğrenmeden kaçınarak, bazen **klasik makine öğrenmesi** olarak adlandırılan konuları öğreneceksiniz; derin öğrenme ise [Yenidoğanlar için AI müfredatımızda](https://aka.ms/ai4beginners) ele alınmaktadır. Ayrıca, bu dersleri ['Yeni Başlayanlar için Veri Bilimi müfredatıyla'](https://aka.ms/ds4beginners) eşleştirebilirsiniz! +Microsoft'tan Bulut Savunucuları, tamamen **Makine Öğrenimi** hakkında 12 haftalık, 26 derslik bir müfredat sunmaktan mutluluk duyar. Bu müfredatta, bazen **klasik makine öğrenimi** olarak adlandırılan, esas olarak Scikit-learn kütüphanesini kullanarak derin öğrenmeden kaçınan ve derin öğrenmenin yer aldığı [Yapay Zeka için Yeni Başlayanlar müfredatı](https://aka.ms/ai4beginners) ile birlikte öğrenilen bir yaklaşımı öğreneceksiniz. Dersleri ayrıca ['Yeni Başlayanlar için Veri Bilimi müfredatı'](https://aka.ms/ds4beginners) ile eşleştirin! -Dünya genelindeki birçok bölgeden verilerle bu klasik teknikleri uygularken bizimle seyahat edin. Her ders öncesi ve sonrası sınavları, dersin tamamlanması için yazılı talimatlar, bir çözüm, bir görev ve daha fazlasını içerir. Proje tabanlı öğretim yöntemimiz, yeni becerilerin kalıcı olmasını sağlayan kanıtlanmış bir öğrenme yoludur. +Bu klasik teknikleri dünyanın çeşitli bölgelerinden gelen veriler üzerinde uygularken bizimle birlikte seyahat edin. Her ders, ders öncesi ve sonrası sınavları, tamamlamanız için yazılı yönergeler, çözüm, görev ve daha fazlasını içerir. Projeye dayalı pedagojimiz, yeni becerilerin öğrenilirken kalıcı olmasını sağlayan kanıtlanmış bir yöntemdir. **✍️ Yazarlarımıza içten teşekkürler** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu ve Amy Boyd -**🎨 İllüstratörlerimize teşekkürler** Tomomi Imura, Dasani Madipalli ve Jen Looper +**🎨 Çizerlerimize de teşekkürler** Tomomi Imura, Dasani Madipalli ve Jen Looper -**🙏 Özel teşekkürler 🙏 Microsoft Öğrenci Elçisi yazarlarımıza, inceleyicilerimize ve içerik katkıda bulunanlara**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal +**🙏 Özel teşekkürler 🙏 Microsoft Öğrenci Elçisi yazarlarımız, inceleyiciler ve içerik katkıda bulunanlarımıza**, özellikle Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila ve Snigdha Agarwal -**🤩 R derslerimiz için Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta’ya ekstra teşekkürler!** +**🤩 Microsoft Öğrenci Elçileri Eric Wanjau, Jasleen Sondhi ve Vidushi Gupta'ya R derslerimiz için ekstra teşekkürler!** # Başlarken Şu adımları izleyin: -1. **Depoyu Forklayın**: Bu sayfanın sağ üst köşesindeki "Fork" butonuna tıklayın. -2. **Depoyu Klonlayın**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +1. **Depoyu Forklayın**: Sayfanın sağ üst köşesindeki "Fork" butonuna tıklayın. +2. **Depoyu Klonlayın**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -> 🔧 **Yardıma mı ihtiyacınız var?** Kurulum, ayar ve ders çalıştırmadaki yaygın sorunlar için [Sorun Giderme Rehberimizi](TROUBLESHOOTING.md) kontrol edin. +> 🔧 **Yardıma mı ihtiyacınız var?** Kurulum, yapılandırma ve dersleri çalıştırmayla ilgili yaygın sorunlar için [Sorun Giderme Kılavuzumuza](TROUBLESHOOTING.md) göz atın. -**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için tüm depoyu kendi GitHub hesabınıza fork’layın ve alıştırmaları kendi başınıza ya da bir grupla tamamlayın: -- Ders öncesi sınavla başlayın. -- Dersi okuyun ve her bilgi kontrol noktasında durup düşünerek etkinlikleri tamamlayın. -- Çözüme ait kodu çalıştırmak yerine dersleri anlayarak projeleri oluşturmayı deneyin; bu kod her proje odaklı dersin `/solution` klasörlerinde mevcuttur. -- Ders sonrası sınavı yapın. +**[Öğrenciler](https://aka.ms/student-page)**, bu müfredatı kullanmak için tüm depoyu kendi GitHub hesabınıza forklayın ve alıştırmaları bireysel ya da grubunuzla tamamlayın: + +- Ön-lecture sınavıyla başlayın. +- Dersi okuyun ve her bilgi kontrolünde durup düşünerek etkinlikleri tamamlayın. +- Çözüm kodunu çalıştırmaktan ziyade dersleri anlayarak projeleri yaratmaya çalışın; ancak o kod her proje odaklı dersin `/solution` klasöründe mevcuttur. +- Ders sonrası sınavı çözün. - Meydan okumayı tamamlayın. - Ödevi tamamlayın. -- Bir ders grubunu tamamladıktan sonra [Tartışma Panosunu](https://github.com/microsoft/ML-For-Beginners/discussions) ziyaret edin ve uygun PAT rubriğini doldurarak "yüksek sesle öğrenin". 'PAT', öğrenmeyi ilerletmek için doldurduğunuz bir İlerleme Değerlendirme Aracıdır. Ayrıca diğer PAT’lere tepki vererek birlikte öğrenebiliriz. +- Bir ders grubunu tamamladıktan sonra [Tartışma Panosu](https://github.com/microsoft/ML-For-Beginners/discussions) ziyaret edin ve uygun PAT puanlama formunu doldurarak “yüksek sesle öğrenin”. 'PAT', ilerlemenizi değerlendiren bir araçtır. Diğer PAT'lara da tepki vererek beraber öğrenebiliriz. -> Daha ileri çalışmalar için bu [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modüllerini ve öğrenme yollarını takip etmenizi öneririz. +> Daha ileri inceleme için, bu [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modüllerini ve öğrenme yollarını takip etmenizi öneririz. -**Öğretmenler**, bu müfredatı kullanmanıza dair [bazı öneriler](for-teachers.md) ekledik. +**Öğretmenler**, bu müfredatı nasıl kullanacağınıza dair bazı [öneriler](for-teachers.md) ekledik. --- -## Video anlatımları +## Video anlatımlar -Bazı dersler kısa form video olarak mevcuttur. Tüm bunları derslerde satır içinde veya aşağıdaki görsele tıklayarak Microsoft Developer YouTube kanalındaki [Yeni Başlayanlar için Makine Öğrenmesi oynatma listesinde](https://aka.ms/ml-beginners-videos) bulabilirsiniz. +Bazı dersler kısa form video olarak mevcuttur. Bunların tümünü derslerde satır içi olarak veya [Microsoft Developer YouTube kanalındaki ML for Beginners oynatma listesinde](https://aka.ms/ml-beginners-videos) aşağıdaki resme tıklayarak bulabilirsiniz. -[![Yeni Başlayanlar için ML afişi](../../translated_images/tr/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) +[![Yeni başlayanlar için ML afişi](../../translated_images/tr/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) --- -## Takımımızla Tanışın +## Takım ile Tanışın [![Tanıtım videosu](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) **Gif yapan** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 Proje ve yaratanları hakkında video için yukarıdaki görsele tıklayın! +> 🎥 Proje ve yaratan insanlar hakkında video için yukarıdaki resme tıklayın! --- ## Pedagoji -Bu müfredatı oluştururken iki pedagojik ilke seçtik: uygulamalı **proje tabanlı** olmasını ve **sık sık sınavlar** içermesini sağlamak. Ayrıca, müfredatın bir bütünlük kazanması için ortak bir **tema** bulunmaktadır. +Bu müfredatı oluştururken iki pedagojik ilke seçtik: uygulamalı **proje tabanlı** olması ve **sık quizler** içermesi. Ayrıca, müfredatın birlikteliği için ortak bir **tema** içerir. -İçeriğin projelerle uyumlu olmasını sağlayarak süreç öğrenciler için daha ilgi çekici hale getirilir ve kavramların kalıcılığı artırılır. Ayrıca, dersten önceki düşük riskli bir sınav öğrencinin öğrenme niyetini belirlerken, dersten sonraki ikinci sınav öğrenmeyi pekiştirir. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamı ya da bir kısmı alınabilir. Projeler küçük başlayıp 12 haftalık döngünün sonunda giderek karmaşıklaşır. Müfredat, gerçek dünyadaki ML uygulamaları hakkında ekstra kredi ya da tartışma temeli olarak kullanılabilecek bir son bölüm de içerir. +İçeriğin projelerle uyumlu olmasını sağlamak, süreci öğrenciler için daha ilgi çekici yapar ve kavramların kalıcılığını artırır. Ayrıca, ders öncesi düşük riskli bir quiz öğrencinin öğrenmeye niyetini belirlerken, ders sonrası ikinci bir quiz bilgilerin kalıcılığını pekiştirir. Bu müfredat esnek ve eğlenceli olacak şekilde tasarlanmıştır ve tamamen ya da kısmen alınabilir. Projeler küçük başlar ve 12 haftalık döngünün sonunda giderek daha karmaşık hale gelir. Müfredat ayrıca, gerçek dünyadaki ML uygulamalarına ilişkin bir son not içerir; bu da ekstra kredi veya tartışma temeli olarak kullanılabilir. -> [Davranış Kurallarımızı](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çevirilerimizi](..) ve [Sorun Giderme](TROUBLESHOOTING.md) rehberlerini bulun. Yapıcı geri bildiriminizi memnuniyetle karşılıyoruz! +> [Davranış Kuralları](CODE_OF_CONDUCT.md), [Katkıda Bulunma](CONTRIBUTING.md), [Çeviriler](..) ve [Sorun Giderme](TROUBLESHOOTING.md) rehberlerimizi bulun. Yapıcı geri bildiriminizi bekliyoruz! -## Her ders içerir +## Her ders şunları içerir -- isteğe bağlı çizim notu -- isteğe bağlı destekleyici video -- video anlatımı (sadece bazı derslerde) +- isteğe bağlı sketchnot +- isteğe bağlı ek video +- video anlatım (sadece bazı derslerde) - [ders öncesi ısınma sınavı](https://ff-quizzes.netlify.app/en/ml/) - yazılı ders -- proje tabanlı derslerde, projeyi inşa etmek için adım adım rehberler -- bilgi kontrol noktaları +- proje tabanlı dersler için, projenin nasıl inşa edileceğine dair adım adım rehberler +- bilgi kontrolleri - bir meydan okuma -- ek okumalar +- ek okuma - ödev - [ders sonrası sınav](https://ff-quizzes.netlify.app/en/ml/) -> **Diller hakkında bir not**: Bu dersler ağırlıklı olarak Python ile yazılmıştır, ancak birçok ders R dilinde de mevcuttur. Bir R dersini tamamlamak için, `/solution` klasörüne gidip R derslerini arayabilirsiniz. Bunlar, `R Markdown` dosyasını temsil eden .rmd uzantısına sahiptir; bu, basitçe `kod parçacıklarının` (R veya diğer dillerden) ve çıktı formatlarını nasıl şekillendireceğini belirten `YAML başlığının` birleştirilmesiyle oluşturulan bir `Markdown belgesi` olarak tanımlanabilir. Bu nedenle, kodunuzu, çıktılarını ve düşüncelerinizi Markdown ile yazarak birleştirmenizi sağlayan, veri bilimi için örnek teşkil eden bir yazım çerçevesi olarak hizmet eder. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir. - -> **Quizler hakkında bir not**: Tüm quizler, toplam 52 adet üç soruluk quiz içeren [Quiz App klasöründe](../../quiz-app) bulunmaktadır. Derslerin içinden bağlantı verilmiştir, ancak quiz uygulaması yerel olarak da çalıştırılabilir; `quiz-app` klasöründeki talimatları izleyerek yerel olarak barındırabilir veya Azure'a dağıtabilirsiniz. - -| Ders Numarası | Konu | Ders Gruplandırması | Öğrenme Hedefleri | Bağlantılı Ders | Yazar | -| :-----------: | :------------------------------------------------------------: | :-----------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------ | :--------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: | -| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğrenmesinin temel kavramlarını öğrenin | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | Makine öğrenmesinin tarihi | [Giriş](1-Introduction/README.md) | Bu alanın arkasındaki tarihi öğrenin | [Ders](1-Introduction/2-history-of-ML/README.md) | Jen ve Amy | -| 03 | Adalet ve makine öğrenmesi | [Giriş](1-Introduction/README.md) | ML modelleri oluştururken ve uygularken öğrencilerin dikkate alması gereken önemli felsefi adalet konuları nelerdir? | [Ders](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | Makine öğrenmesi teknikleri | [Giriş](1-Introduction/README.md) | ML araştırmacılarının ML modelleri oluşturmak için kullandığı teknikler nelerdir? | [Ders](1-Introduction/4-techniques-of-ML/README.md) | Chris ve Jen | -| 05 | Regresyona giriş | [Regresyon](2-Regression/README.md) | Regresyon modelleri için Python ve Scikit-learn ile başlayın | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Makine öğrenmesi için veriyi görselleştirin ve temizleyin | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Doğrusal ve polinom regresyon modelleri oluşturun | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ve Dmitry • Eric Wanjau | -| 08 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Lojistik regresyon modeli oluşturun | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | Bir Web Uygulaması 🔌 | [Web Uygulaması](3-Web-App/README.md) | Eğitilmiş modelinizi kullanmak için bir web uygulaması oluşturun | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | Sınıflandırmaya giriş | [Sınıflandırma](4-Classification/README.md) | Verinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ve Cassie • Eric Wanjau | -| 11 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Sınıflandırıcılara giriş | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ve Cassie • Eric Wanjau | -| 12 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Daha fazla sınıflandırıcı | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ve Cassie • Eric Wanjau | -| 13 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Modelinizi kullanarak bir öneri web uygulaması oluşturun | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | Kümelemeye giriş | [Kümeleme](5-Clustering/README.md) | Verinizi temizleyin, hazırlayın ve görselleştirin; Kümelemeye giriş | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | Nijerya Müzik Zevklerini Keşfetmek 🎧 | [Kümeleme](5-Clustering/README.md) | K-Means kümeleme yöntemini keşfedin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | Doğal dil işleme giriş ☕️ | [Doğal Dil İşleme](6-NLP/README.md) | Basit bir bot oluşturarak NLP temel bilgileri öğrenin | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | Yaygın NLP Görevleri ☕️ | [Doğal Dil İşleme](6-NLP/README.md) | Dil yapıları ile çalışırken gerekli olan yaygın görevleri anlamak için NLP bilginizi derinleştirin | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | Çeviri ve duygu analizi ♥️ | [Doğal Dil İşleme](6-NLP/README.md) | Jane Austen ile çeviri ve duygu analizi | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | Avrupa'nın romantik otelleri ♥️ | [Doğal Dil İşleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | Avrupa'nın romantik otelleri ♥️ | [Doğal Dil İşleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | Zaman serisi tahminine giriş | [Zaman Serisi](7-TimeSeries/README.md) | Zaman serisi tahminine giriş | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini | [Zaman Serisi](7-TimeSeries/README.md) | ARIMA ile zaman serisi tahmini | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serisi tahmini | [Zaman Serisi](7-TimeSeries/README.md) | Destek Vektör Regresörü ile zaman serisi tahmini | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | Pekiştirmeli öğrenmeye giriş | [Pekiştirmeli Öğrenme](8-Reinforcement/README.md) | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | Peter'ın kurttan kaçmasına yardım edin! 🐺 | [Pekiştirmeli Öğrenme](8-Reinforcement/README.md) | Pekiştirmeli öğrenme Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | Gerçek dünya ML senaryoları ve uygulamaları | [Doğada ML](9-Real-World/README.md) | Klasik ML'nin ilginç ve aydınlatıcı gerçek dünya uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Takım | -| Postscript | RAI kontrol panelini kullanarak ML modellerini hata ayıklama | [Doğada ML](9-Real-World/README.md) | Responsible AI kontrol paneli bileşenlerini kullanarak Makine Öğrenmesinde model hata ayıklama | [Ders](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [Bu kurs için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> **Diller hakkında bir not**: Bu dersler öncelikle Python ile yazılmıştır, ancak birçok ders R dilinde de mevcuttur. Bir R dersini tamamlamak için `/solution` klasörüne gidip R derslerini arayın. Bunlar, `code chunks` (R veya diğer dillerden) ve `YAML header` (PDF gibi çıktıların nasıl biçimlendirileceğini yöneten) içeren bir **R Markdown** dosyasını temsil eden .rmd uzantısına sahiptir. Bu nedenle, kodunuzu, çıktısını ve düşüncelerinizi Markdown içinde yazmanıza olanak tanıyarak veri bilimi için örnek bir yazma çerçevesi hizmeti görür. Ayrıca, R Markdown belgeleri PDF, HTML veya Word gibi çıktı formatlarına dönüştürülebilir. + +> **Sınavlar hakkında bir not**: Tüm sınavlar [Quiz App klasöründe](../../quiz-app) bulunmaktadır, toplamda her biri üç sorudan oluşan 52 sınav mevcuttur. Dersler içerisinde bağlantıları vardır ancak quiz uygulaması yerel olarak da çalıştırılabilir; yerel olarak barındırmak veya Azure’a dağıtmak için `quiz-app` klasöründeki talimatları izleyin. + +| Lesson Number | Konu | Ders Grubu | Öğrenme Hedefleri | Bağlantılı Ders | Yazar | +| :-----------: | :------------------------------------------------------------: | :--------------------------------------------: | ----------------------------------------------------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------------: | +| 01 | Makine öğrenimine giriş | [Giriş](1-Introduction/README.md) | Makine öğrenmenin temel kavramlarını öğrenin | [Ders](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | Makine öğrenmesinin tarihi | [Giriş](1-Introduction/README.md) | Bu alanın tarihini öğrenin | [Ders](1-Introduction/2-history-of-ML/README.md) | Jen ve Amy | +| 03 | Adalet ve makine öğrenmesi | [Giriş](1-Introduction/README.md) | ML modelleri oluştururken ve kullanırken öğrencilerin dikkate alması gereken önemli felsefi adalet konuları nelerdir? | [Ders](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | Makine öğrenmesi teknikleri | [Giriş](1-Introduction/README.md) | ML araştırmacıları ML modellerini oluşturmak için hangi teknikleri kullanır? | [Ders](1-Introduction/4-techniques-of-ML/README.md) | Chris ve Jen | +| 05 | Regresyona giriş | [Regresyon](2-Regression/README.md) | Regresyon modelleri için Python ve Scikit-learn kullanmaya başlayın | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | ML için veri görselleştirme ve temizleme | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Doğrusal ve polinomsal regresyon modelleri oluşturun | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen ve Dmitry • Eric Wanjau | +| 08 | Kuzey Amerika balkabağı fiyatları 🎃 | [Regresyon](2-Regression/README.md) | Lojistik regresyon modeli oluşturun | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | Bir Web Uygulaması 🔌 | [Web App](3-Web-App/README.md) | Eğittiğiniz modeli kullanmak için bir web uygulaması oluşturun | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | Sınıflandırmaya giriş | [Sınıflandırma](4-Classification/README.md) | Verinizi temizleyin, hazırlayın ve görselleştirin; sınıflandırmaya giriş | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen ve Cassie • Eric Wanjau | +| 11 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Sınıflandırıcılara giriş | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen ve Cassie • Eric Wanjau | +| 12 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Daha fazla sınıflandırıcı | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen ve Cassie • Eric Wanjau | +| 13 | Lezzetli Asya ve Hint mutfakları 🍜 | [Sınıflandırma](4-Classification/README.md) | Modelinizi kullanarak öneri yapan bir web uygulaması oluşturun | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | Kümelemeye giriş | [Kümeleme](5-Clustering/README.md) | Verinizi temizleyin, hazırlayın ve görselleştirin; Kümelemeye giriş | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | Nijerya Müzik Zevklerini Keşfetme 🎧 | [Kümeleme](5-Clustering/README.md) | K-Means kümeleme yöntemini keşfedin | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | Doğal dil işleme'ye giriş ☕️ | [Doğal dil işleme](6-NLP/README.md) | Basit bir bot oluşturarak NLP’nin temellerini öğrenin | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | Yaygın NLP Görevleri ☕️ | [Doğal dil işleme](6-NLP/README.md) | Dil yapıları ile uğraşırken gerek duyulan yaygın görevleri anlayarak NLP bilginizi derinleştirin | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | Çeviri ve duygu analizi ♥️ | [Doğal dil işleme](6-NLP/README.md) | Jane Austen ile çeviri ve duygu analizi | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | Avrupa’nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | Avrupa’nın romantik otelleri ♥️ | [Doğal dil işleme](6-NLP/README.md) | Otel yorumları ile duygu analizi 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | Zaman serisi tahmine giriş | [Zaman serisi](7-TimeSeries/README.md) | Zaman serisi tahmine giriş | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ Dünya Güç Kullanımı ⚡️ - ARIMA ile zaman serisi tahmini | [Zaman serisi](7-TimeSeries/README.md) | ARIMA ile zaman serisi tahmini | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ Dünya Güç Kullanımı ⚡️ - SVR ile zaman serisi tahmini | [Zaman serisi](7-TimeSeries/README.md) | Destek Vektör Regresörü ile zaman serisi tahmini | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | Pekiştirmeli öğrenmeye giriş | [Pekiştirmeli öğrenme](8-Reinforcement/README.md) | Q-Öğrenme ile pekiştirmeli öğrenmeye giriş | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | Peter’a kurttan kaçmasında yardım et! 🐺 | [Pekiştirmeli öğrenme](8-Reinforcement/README.md) | Pekiştirmeli öğrenme Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Postscript | Gerçek Dünya ML senaryoları ve uygulamaları | [Gerçek Dünya ML](9-Real-World/README.md) | Klasik ML’nin gerçek dünyadaki ilginç ve açıklayıcı uygulamaları | [Ders](9-Real-World/1-Applications/README.md) | Takım | +| Postscript | RAI panosu kullanarak ML model hata ayıklaması | [Gerçek Dünya ML](9-Real-World/README.md) | Sorumlu AI pano bileşenleri kullanarak Makine Öğrenmesi Model Hata Ayıklaması | [Ders](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [Bu ders için tüm ek kaynakları Microsoft Learn koleksiyonumuzda bulun](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Çevrimdışı erişim -Bu dokümantasyonu çevrimdışı kullanmak için [Docsify](https://docsify.js.org/#/) kullanabilirsiniz. Bu depoyu çatallayın, yerel makinenize [Docsify kurun](https://docsify.js.org/#/quickstart) ve ardından bu deponun kök klasöründe `docsify serve` yazın. Web sitesi localhost'unuzda 3000 portunda sunulacaktır: `localhost:3000`. +Bu dokümantasyonu çevrimdışı kullanmak için [Docsify](https://docsify.js.org/#/) kullanabilirsiniz. Bu depoyu çatallayın, yerel makinenize [Docsify kurun](https://docsify.js.org/#/quickstart) ve bu deponun kök klasöründe `docsify serve` yazın. Web sitesi localhost’unuzda 3000 portunda sunulacaktır: `localhost:3000`. -## PDF'ler +## PDF’ler -Konu anlatımını bağlantılar ile birlikte pdf formatında [burada](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulabilirsiniz. +Program müfredatının bağlantılı bir pdf’ini [burada](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) bulun. -## 🎒 Diğer Kurslar +## 🎒 Diğer Kurslar -Ekibimiz başka kurslar da üretmektedir! Göz atın: +Ekibimiz başka kurslar da üretiyor! Göz atın: ### LangChain @@ -184,54 +185,65 @@ Ekibimiz başka kurslar da üretmektedir! Göz atın: ### Azure / Edge / MCP / Agents [![AZD for Beginners](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [![Edge AI for Beginners](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Başlangıç için MCP](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Başlangıç için AI Ajanları](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Başlangıç Seviyesi MCP](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Başlangıç Seviyesi AI Ajanları](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Üretken AI Serisi -[![Başlangıç için Üretken AI](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Başlangıç Seviyesi Üretken AI](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [![Üretken AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [![Üretken AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [![Üretken AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### Temel Öğrenme -[![Başlangıç için ML](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![Başlangıç için Veri Bilimi](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![Başlangıç için AI](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![Başlangıç için Siber Güvenlik](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![Başlangıç için Web Geliştirme](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![Başlangıç için IoT](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![Başlangıç için XR Geliştirme](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### Temel Öğrenim +[![Başlangıç Seviyesi ML](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![Başlangıç Seviyesi Veri Bilimi](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![Başlangıç Seviyesi AI](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![Başlangıç Seviyesi Siber Güvenlik](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![Başlangıç Seviyesi Web Geliştirme](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![Başlangıç Seviyesi IoT](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![Başlangıç Seviyesi XR Geliştirme](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Copilot Serisi -[![Yapay Zekâ Eşli Programlama için Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![AI Eşli Programlama için Copilot](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![C#/.NET için Copilot](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot Macerası](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot Macera](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## Yardım Almak +## Yardım Alma -Yapay zekâ uygulamaları geliştirirken takılırsanız veya herhangi bir sorunuz olursa. MCP hakkında tartışmalara katılmak için diğer öğrenenler ve deneyimli geliştiricilerle bir araya gelin. Sorulara açık ve bilginin özgürce paylaşıldığı destekleyici bir topluluktur. +Makine Öğrenimi öğrenirken veya AI uygulamaları geliştirirken takılırsanız ya da sorularınız olursa endişelenmeyin — yardım mevcut. -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +Diğer öğrenenler ve geliştiricilerle tartışmalara katılabilir, sorular sorabilir ve fikirlerinizi toplulukla paylaşabilirsiniz. + +- Sorular sormak ve başkalarıyla öğrenmek için topluluğa katılın +- Makine Öğrenimi kavramları ve proje fikirlerini tartışın +- Deneyimli geliştiricilerden rehberlik alın + +Destekleyici bir topluluk, becerilerinizi geliştirmek ve sorunları daha hızlı çözmek için harika bir yoldur. + +[Microsoft Foundry Discord Topluluğu](https://discord.gg/nTYy5BXMWG) + +Hatalarla, sorunlarla karşılaşırsanız veya iyileştirme önerileriniz varsa, sorunu bildirmek için bu depoda bir **Issue** açabilirsiniz. + +Ürün geri bildirimi için veya mevcut topluluk gönderilerini aramak için Geliştirici Forumu'nu ziyaret edin: -Ürün geri bildiriminiz veya geliştirme sırasında karşılaştığınız hatalar için ziyaret edin: +[![Microsoft Foundry Geliştirici Forumu](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) ## Ek Öğrenme İpuçları - Daha iyi anlamak için her dersten sonra not defterlerini gözden geçirin. -- Algoritmaları kendi başınıza uygulayarak pratik yapın. +- Algoritmaları kendiniz uygulamayı deneyin. - Öğrenilen kavramları kullanarak gerçek dünya veri setlerini keşfedin. --- -**Feragatname**: -Bu belge, AI çeviri hizmeti [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba sarf etsek de, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen göz önünde bulundurun. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek herhangi bir yanlış anlama veya yanlış yorumdan dolayı sorumluluk kabul etmiyoruz. +**Feragatname**: +Bu belge, AI çeviri servisi [Co-op Translator](https://github.com/Azure/co-op-translator) kullanılarak çevrilmiştir. Doğruluk için çaba sarf edilse de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi asli dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucunda oluşabilecek yanlış anlamalar veya yorum hatalarından sorumlu değiliz. \ No newline at end of file